https://mp.weixin.qq.com/s/ycQwxF2YfYHk7Gq9HZI8Og
CVPR 2021 論文大盤點-圖像去噪篇
關注公眾號，發現CV技術之美
OpenCV中文網
OpenCV技術布道，CV實用教程，業界前沿資訊
公眾號
圖像去噪——一個"古老"而又一直存在不會過時的視覺課題。
本文總結CVPR 2021 圖像去噪相關論文。共計 14 篇。
大家可以在：
https://openaccess.thecvf.com/CVPR2021?day=all
按照題目下載這些論文。
如果想要下載所有CVPR 2021論文，請點擊這里： CVPR 2021 論文開放下載了！
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images
單圖像自監督去噪
作者 | 黃濤，李松江，賈旭，盧湖川，劉健庄單位 | 中國人民大學，華為諾亞，大連理工大學論文 | https://arxiv.org/abs/2101.02824代碼 | https://github.com/TaoHuang2018/Neighbor2Neighbor解讀 | CVPR 2021 | Neighbor2Neighbor：僅需噪聲圖像即可訓練任意降噪網絡的方法
NBNet: Noise Basis Learning for Image Denoising with Subspace Projection
基於子空間投影與噪聲偏置學習的圖像去噪
作者 | Shen Cheng, Yuzhi Wang, Haibin Huang, Donghao Liu, Haoqiang Fan, Shuaicheng Liu單位 | 曠視；快手；電子科技大學論文 | https://arxiv.org/abs/2012.15028代碼 | https://github.com/megvii-research/NBNet簡介 | 9
Invertible Denoising Network: A Light Solution for Real Noise Removal
由於 Invertible networks（可逆網絡）的輕量級、information-lossless 以及在反向傳播過程中節省內存的屬性，對圖像去噪任務大有益處。然而，應用可逆模型來消除噪聲是具有挑戰性的，因為輸入是有噪聲的，而反向輸出是干凈的，遵循兩個不同的分布。
針對上述挑戰，作者提出一個可逆去噪網絡：InvDN，它將噪聲輸入轉化為低分辨率的干凈圖像和含有噪聲的隱性表征。為了去除噪聲並恢復干凈的圖像，InvDN 在還原過程中用另一個從先驗分布中取樣的隱性表征取代了噪聲隱性表征。
InvDN的去噪性能優於所有現有的競爭模型，在 SIDD 數據集上取得了新的 SOTA，同時所需運行時間更少。此外，InvDN 的規模要小得多，與最近提出的 DANet 相比，其參數數量只有 4.2%。此外，通過操縱噪聲隱性表征，InvDN 還能夠產生與原始噪聲更相似的噪聲。
作者 | Yang Liu, Zhenyue Qin, Saeed Anwar, Pan Ji, Dongwoo Kim, Sabrina Caldwell, Tom Gedeon單位 | 澳大利亞國立大學；Data61-CSIRO；OPPO（美）；GSAI POSTECH論文 | https://arxiv.org/abs/2104.10546代碼 | https://github.com/Yang-Liu1082/InvDN
FBI-Denoiser: Fast Blind Image Denoiser for Poisson-Gaussian Noise
本次工作所提出的 FBI-Denoiser，通過設計 PGE-Net 和 FBI-Net 解決了 BP-AIDE 的計算復雜性問題，其中 PGE-Net比傳統的 Gaussian noise estimation（×2000）快得多，FBI-Net 是一個高效的 blind spot（盲點）網絡。並通過實驗證明 FBI-Denoiser 在各種合成/真實噪聲基准數據集上，僅基於“single” 噪聲圖像就達到了最先進的盲圖像去噪性能，而且推理時間更快。
作者 | Jaeseok Byun, Sungmin Cha, Taesup Moon單位 | 成均館大學&首爾大學論文 | https://arxiv.org/abs/2105.10967代碼 | https://github.com/csm9493/FBI-Denoiser
Recorrupted-to-Recorrupted: Unsupervised Deep Learning for Image Denoising
無監督學習+ 圖像去噪
本次工作提出一種數據增強技術，Recorrupted-to-recorrupted（R2R），用來解決缺乏真實圖像造成的過擬合問題。並通過實驗證明所提出的 R2R 方法明顯優於現有的無監督深度去噪器，並且與有監督的深度去噪算法性能可比。
作者 | Tongyao Pang、Huan Zheng、Yuhui Quan、Hui Ji單位 | 新加坡國立大學；華南理工大學論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Pang_Recorrupted-to-Recorrupted_Unsupervised_Deep_Learning_for_Image_Denoising_CVPR_2021_paper.pdf
CNN Denoisers As Non-Local Filters: The Neural Tangent Denoiser
CNN可用於圖像的恢復，近來被發現它天然的具有對圖像數據的恢復能力，比如從一幅污損的圖像中讓CNN網絡學習去重建它，CNN首先學習重建一幅沒有污損的圖像。這很有意思，貌似CNN天然知道自然圖像是什么樣的？
該文作者研究CNN去噪與非局部濾波這種傳統算法的關系，又有了一些新發現。
作者 | Julián Tachella, Junqi Tang, Mike Davies單位 | 愛丁堡大學論文 | https://arxiv.org/abs/2006.02379代碼 | https://gitlab.com/Tachella/neural_tangent_denoiser
Deep Denoising of Flash and No-Flash Pairs for Photography in Low-Light Environments
文中介紹一種有效利用有閃光燈和無閃光燈圖像對中可用的獨特視覺信息組合的方法，並在低光環境下產生高質量的圖像。
作者 | Zhihao Xia, Michaël Gharbi, Federico Perazzi, Kalyan Sunkavalli, Ayan Chakrabarti單位 | 聖路易斯華盛頓大學；Adobe Research；Facebook論文 | https://arxiv.org/abs/2012.05116
代碼 | https://github.com/likesum/deepFnF主頁 | https://www.cse.wustl.edu/~zhihao.xia/deepfnf/
Adaptive Consistency Prior based Deep Network for Image Denoising
文章提出一種用於圖像去噪的新型深度網絡。與大多數現有的基於深度網絡的去噪方法不同，作者將新的 ACP（Adaptive Consistency Prior ） 項納入優化問題，然后利用優化過程，通過使用展開策略為深度網絡設計提供信息。ACP 驅動的去噪網絡結合了經典去噪方法的一些寶貴成果，並在一定程度上增強了其可解釋性。並實驗結果表明，所提出的網絡具有領先的去噪性能。
作者 | Chao Ren、Xiaohai He、 Chuncheng Wang 、Zhibo Zhao單位 | 四川大學論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Ren_Adaptive_Consistency_Prior_Based_Deep_Network_for_Image_Denoising_CVPR_2021_paper.pdf代碼 | https://github.com/chaoren88/DeamNet備注 | CVPR 2021 Oral
EventZoom: Learning to Denoise and Super Resolve Neuromorphic Events
去噪和超分的神經形態事件研究
作者 | Peiqi Duan、Zihao W. Wang、Xinyu Zhou、Yi Ma、Boxin Shi單位 | 北大；西北大學（美）論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Duan_EventZoom_Learning_To_Denoise_and_Super_Resolve_Neuromorphic_Events_CVPR_2021_paper.pdf主頁 | https://sites.google.com/view/EventZoom
Extreme Low-Light Environment-Driven Image Denoising over Permanently Shadowed Lunar Regions with a Physical Noise Model
利用物理噪聲模型對永久陰影下的月球區域進行極端低光環境驅動的圖像去噪
作者 | Ben Moseley、Valentin Bickel、Ignacio G. Lopez-Francos、Loveneesh Rana單位 | 牛津大學；蘇黎世聯邦理工學院等論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Moseley_Extreme_Low-Light_Environment-Driven_Image_Denoising_Over_Permanently_Shadowed_Lunar_Regions_CVPR_2021_paper.pdf
Guided Integrated Gradients: an Adaptive Path Method for Removing Noise
一種去除噪聲的自適應路徑方法：Guided Integrated Gradients。
作者 | Andrei Kapishnikov, Subhashini Venugopalan, Besim Avci, Ben Wedin, Michael Terry, Tolga Bolukbasi單位 | 谷歌論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Kapishnikov_Guided_Integrated_Gradients_An_Adaptive_Path_Method_for_Removing_Noise_CVPR_2021_paper.pdf
Deep Convolutional Dictionary Learning for Image Denoising
文章介紹一種新的圖像去噪方法：deep convolutional dictionary learning（深度卷積字典學習，DCDicL），並證明在定量指標和視覺質量方面都超過了以前的深度展開和基於深度學習的方法。DCDicL為深度圖像建模提供了新的見解，並且可以擴展到更多的圖像修復任務。
作者 | Hongyi Zheng、Hongwei Yong、Lei Zhang單位 | 香港理工大學；阿里達摩院論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Zheng_Deep_Convolutional_Dictionary_Learning_for_Image_Denoising_CVPR_2021_paper.pdf代碼 | https://github.com/natezhenghy/DCDicL_denoising
Learning An Explicit Weighting Scheme for Adapting Complex HSI Noise
handling hyperspectral image (HSI) 的去噪研究，基於學習顯式加權模式的方法
作者 | Xiangyu Rui、Xiangyong Cao、Qi Xie、Zongsheng Yue、Qian Zhao、Deyu Meng單位 | 西安交通大學；琶洲實驗室論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Rui_Learning_an_Explicit_Weighting_Scheme_for_Adapting_Complex_HSI_Noise_CVPR_2021_paper.pdf
Pseudo 3D Auto-Correlation Network for Real Image Denoising
文章所提出用於真實圖像去噪的輕量級 pseudo 3D auto-correlation network（P3AN）方法，所需參數更少，計算成本更低，同時可以取得非常有競爭力的性能。
作者 | Xiaowan Hu、Ruijun Ma、Zhihong Liu、Yuanhao Cai、Xiaole Zhao、Yulun Zhang、Haoqian Wang單位 | 清華；澳門大學；西南交通大學；東北大學（美）論文 | https://openaccess.thecvf.com/content/CVPR2021/papers/Hu_Pseudo_3D_Auto-Correlation_Network_for_Real_Image_Denoising_CVPR_2021_paper.pdf
