第 11 章 智能图像增强技术.pptVIP

在训练时，因为没有ground-truth图像使用普通的自然图像作为目标图像，其损失（破坏、加噪）之后的图像作为暗光图利用网络生成的恢复结果图像与自然采集的目标图像进行比对，计算损失（使得其收敛为最小），调整网络参数，以求得最佳的（恢复图像）网络编码像。无监督学习*TaoL,ZhuC,XiangG,etal.LLCNN:Aconvolutionalneuralnetworkforlow-lightimageenhancement[C]//2017IEEEVisualCommunicationsandImageProcessing(VCIP).IEEE,2017.通过对比组实验，从网络深度，Loss形式，CNN模型角度进行对比：实验结果*TaoL,ZhuC,XiangG,etal.LLCNN:Aconvolutionalneuralnetworkforlow-lightimageenhancement[C]//2017IEEEVisualCommunicationsandImageProcessing(VCIP).IEEE,2017.第一个部分是编码器(Encoder)，第二个部分是解码器(Decoder)，编码器和解码器都可以是任意的模型，通常我们使用神经网络模型作为编码器和解码器。输入的数据经过神经网络降维到一个编码(code)，接着又通过另外一个神经网络去解码得到一个与输入原数据一模一样的生成数据，然后通过去比较这两个数据，最小化他们之间的差异来训练这个网络中编码器和解码器的参数。当这个过程训练完之后，我们可以拿出这个解码器，随机传入一个编码(code)，希望通过解码器能够生成一个和原数据差不多的数据，希望能够生成（复原）一张差不多的图片。*/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。***/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。*/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。*/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。*/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。*/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。*/p/fd8311832c7a因为稀疏的表达往往比其他的表达要有效（人脑好像也是这样的，某个输入只是刺激某些神经元，其他的大部分的神经元是受到抑制的）。*2016--CompositeDenoisingAutoencoders（CDA）复合去噪自编码器一种无监督复合去噪自动编码器，网络中使用不同级别的训练数据，引入级联训练过程2016--Medicalimagedenoisingusingconvolutionaldenoisingautoencoders利用小样本量的卷积层构造去噪自编码器,有效地对医学图像进行去噪，提高去噪性能2017--Denoisingauto-encoderbasedimageenhancementforhighresolutionsonarimage利用卷积神经网络的自编码算法对声纳图像降噪，在自动编码器中学习大量声纳图像2017--MedicalImageDenoisingUsingConvolutionalDenoisingAutoencoders利用小样本的卷积层构造去噪自编码器，有效地对医学图像进行去噪，提高去噪性能去噪自编码器的典型工作*2018--DenoisingAdversarialAutoencoders利用自动编码器从噪声样本中恢复目标，提出对抗性自动编码器方法去噪，利用对抗性训练2018--BlindDenoisingAutoencoder“盲去噪”：从噪声样本本身获得模型结构，基于自动编码器的解决方案的盲去噪方法2018--Mitig