基于深度學習的圖像去噪（論文總結） · 機器學習實戰筆記

2015 深度學習、自編碼器、低照度圖像增強 Lore, Kin Gwn, Adedotun Akintayo, and Soumik Sarkar. "LLNet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement." arXiv preprint arXiv:1511.03995 (2015). 利用深度學習的自編碼器方法訓練不同低照度圖像信號的特征來實現自適應變亮和去噪，主要是通過非線性暗化和添加高斯噪聲的方法來模擬低照度環境，進行圖像對比度增強和去噪。 2014 深度學習、深度卷積神經網絡、圖像去卷積 Xu, Li, et al. "Deep convolutional neural network for image deconvolution."Advances in Neural Information Processing Systems. 2014. 利用深度卷積神經網絡進行圖像去卷積，實現圖像復原，優點：相比于當前其他方法，有更好的PSNR值和視覺效果。 2014 深度學習、稀疏編碼、自編碼器、圖像去噪 Li, HuiMing. "Deep Learning for Image Denoising." International Journal of Signal Processing, Image Processing and Pattern Recognition 7.3 (2014): 171-180. 利用稀疏編碼（sparsecoding）與自編碼器（Auto-encoder）兩種方法結合來實現圖像去噪，不足之處是只對圖像進行處理，沒有涉及視頻。 2014 深度學習、rectified linear函數、深度神經網絡、圖像去噪 Wu, Yangwei, Haohua Zhao, and Liqing Zhang. "Image Denoising with Rectified Linear Units." Neural Information Processing. Springer International Publishing, 2014. 利用rectified linear (Re L) 函數代替sigmoid 函數作為深度神經網絡的隱藏層的激活函數，來實現圖像去噪；利用隨機梯度下降的方法訓練含噪圖像和無噪圖像來估計神經網絡的參數；優點：和sigmoid函數作為激活函數的深度神經網絡相比，能得到更好的去噪效果和更快的收斂速度。 2013 深度學習、堆疊式稀疏去噪自編碼器SSDAs、深度神經網絡DNN、圖像去噪 Agostinelli, Forest, Michael R. Anderson, and Honglak Lee. "Robust image denoising with multi-column deep neural networks." Advances in Neural Information Processing Systems. 2013. 利用改進的堆疊式稀疏去噪自編碼器(Stacked sparse denoising autoencoders (SSDAs))，通過組合多個SSDAs，求解一個非線性優化方程計算每個SSDAs的最優權重，同時訓練單獨的網絡去預測最優權重，實現視頻去噪。優點：解決了SSDAs只能處理訓練集中出現的噪聲，這種方法可以處理訓練集未出現的噪聲類型。 2012 深度學習、多層感知器、圖像去噪 Burger, Harold C., Christian J. Schuler, and Stefan Harmeling. "Image denoising: Can plain Neural Networks compete with BM3D?." Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012. 利用普通的多層感知器plain multi layer perceptron(MLP)實現圖像去噪。 2012 深度學習、稀疏編碼、去噪自編碼器、圖像去噪 Xie, Junyuan, Linli Xu, and Enhong Chen. "Image denoising and ?inpainting with deep neural networks." Advances in Neural Information Processing Systems. 2012. 將稀疏編碼（sparse coding）與去噪自編碼器(denoising auto-encoders)預訓練的深度神經網絡相結合進行圖像去噪，噪聲類型：高斯白噪聲的灰度圖像，但是稍微擴展下也可以處理彩色圖，優點：比線性稀疏編碼去除高斯白噪聲的效果要好，不足之處：非常依賴有監督的訓練，只能除去訓練集中出現的噪聲。 2012 深度學習、多層感知器、圖像去噪 Burger, Harold Christopher, Christian J. Schuler, and Stefan Harmeling. "Image denoising with multi-layer perceptrons, part 1: comparison with existing algorithms and with bounds." arXiv preprint arXiv:1211.1544 (2012). 利用多層感知器Multi-layer perceptions(MLP) 的方法實現圖像去噪，噪聲類型：This approach is easily adapted to less extensively studied types of noise, such as mixed Poisson-Gaussian noise, JPEG artifacts, salt-and-pepper noise and noise resembling stripes. 2010 深度學習、堆疊式去噪自編碼器、圖像去噪 Vincent, Pascal, et al. "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion." The Journal of Machine Learning Research 11 (2010): 3371-3408. 利用堆疊式去噪自編碼器（SDA）的方法進行圖像去噪，堆疊式自編碼器這種方法是深度學習中構建深度架構的重要方法之一。當訓練出一個自編碼器后，就可以在此基礎上通過將第一個自編碼器的輸出作為第二個自編碼器的輸入繼續訓練出一個新的自編碼器。這樣繼續訓練下去就可以得到一個多層的堆疊式自編碼器（Stacked ?Autoencoders）。 2009 深度學習、卷積網絡、圖像去噪 Jain, Viren, and Sebastian Seung. "Natural image denoising with convolutional networks." Advances in Neural Information Processing Systems. 2009. 利用卷積網絡實現自然圖像去噪。