图像上噪点太多了,一大片都是点点的雪花连女神的脸都看不清了,传统去噪方法效果太差,可否有破解方法?
最近一篇研究表示,无需开创新型图像去噪算法,仅仅在现有算法上稍微改进,就能让去噪效果上升好几个台阶。
在目前主流的、基于补丁的图像去噪算法如BM3D,LPCA和PLOW上,这种改进术都取得了肉眼可见的提升。
不信你看:
有图有真相:
老电视般的雪花效果通通不见:
它是怎样优化老牌去噪算法的?
在论文Good Similar Patches for Image Denoising中,来自波特兰州立大学的Si Lu介绍了这种“特效般”去噪大法的原理。
此前,像BM3D、LPCA和PLOW等基于补丁的去噪算法表现都还不错。通过重现输入图片中的类似补丁,这些方法能够预测潜在的补丁结构,进而进行图像去噪。
所以,这些方法中,所选的类似补丁的质量是影响最后去噪效果的最关键因素。
类似补丁是怎样挑选的?此前研究人员最常用的方法就是用最近邻搜索(Nearest Neighbour Search ,NNS)决定。由于图像噪点的存在,但用这种方法挑选出来的补丁与最佳水平总会存在一些偏差:
如上图所示,左图为给定的参考补丁及一系列NNS给出的类似补丁,可以看出,预估的补丁与噪点参考比较近,而离真实干净补丁(右图)较远,所以NNS不是搜索补丁的最优选择。
在这篇论文中,研究人员提出了一种新型补丁搜索大法,帮助寻找一系列基于补丁的去噪算法的类似补丁,比如常用的BM3D、LPCA和PLOW算法。
好的相似补丁应该近似无噪声版本的参考补丁,研究人员假设,优质类似补丁的分布近似高斯函数,而非一定以噪点参考为中心。
基于这种假设,研究人员先用NNS获取了每个参考补丁的一系列备用类似补丁,然后将这些备选补丁的按高斯分布建模,将他们分成不同的子分类。
最后,研究人员将这些包含参考补丁的子分类作为类似去噪补丁,去噪效果有了明显提升。
为了进一步提升类似补丁的质量,研究人员还对输入的噪点图像进行了预处理,消除了不可靠像素的影响。
在分别对改进后的BM3D、LPCA和PLOW算法,正如开头所示,改进后方法的峰值信噪比(PSNR)比改进前有了提高,去噪效果的进步肉眼可见。
目前,这篇论文已经被IEEE WACV 2019接收,想进一步探索去噪大法可以移步论文Good Similar Patches for Image Denoising原文:
https://arxiv.org/abs/1901.06046
作者系网易新闻·网易号“各有态度”签约作者
— 完 —
加入社群
量子位AI社群开始招募啦,欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“交流群”,获取入群方式;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进专业群请在量子位公众号(QbitAI)对话界面回复关键字“专业群”,获取入群方式。(专业群审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
喜欢就点「好看」吧 !