基於深度學習的影象去噪（論文總結）
深度學習、自編碼器、低照度影象增強
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影象訊號的特徵來實現自適應變亮和去噪，主要是通過非線性暗化和新增高斯噪聲的方法來模擬低照度環境，進行影象對比度增強和去噪。
2014
深度學習、深度卷積神經網路、影象去卷積
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路進行影象去卷積，實現影象復原，優點：相比於當前其他方法，有更好的PSNR值和視覺效果。
2014
深度學習、稀疏編碼、自編碼器、影象去噪
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影象去噪，不足之處是隻對影象進行處理，沒有涉及視訊。
2014
深度學習、rectified linear函式、深度神經網路、影象去噪
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) 函式代替sigmoid 函式作為深度神經網路的隱藏層的啟用函式，來實現影象去噪；利用隨機梯度下降的方法訓練含噪影象和無噪影象來估計神經網路的引數；優點：和sigmoid函式作為啟用函式的深度神經網路相比，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、深度神經網路DNN、影象去噪
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，同時訓練單獨的網路去預測最優權重，實現視訊去噪。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型別。
2012
深度學習、多層感知器、影象去噪
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)實現影象去噪。
2012
深度學習、稀疏編碼、去噪自編碼器、影象去噪
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路相結合進行影象去噪，噪聲型別：高斯白噪聲的灰度影象，但是稍微擴充套件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、影象去噪
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) 的方法實現影象去噪，噪聲型別：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、影象去噪
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）的方法進行影象去噪，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後，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、卷積網路、影象去噪
Jain, Viren, and Sebastian Seung. "Natural image denoising with convolutional networks." Advances in Neural Information Processing Systems. 2009.
利用卷積網路實現自然影象去噪。
相關推薦
基於深度學習的影象去噪（論文總結）
2015 深度學習、自編碼器、低照度影象增強 Lore, Kin Gwn, Adedotun Akintayo, and Soumik Sarkar. "LLNet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement." ar
基於深度卷積神經網路（D-CNN）的影象去噪方法
基於深度卷積神經網路的影象去噪方法 摘要：影象去噪在影象處理中仍然是一個具有挑戰性的問題。作者提出了一種基於深度卷積神經網路（DCNN）的影象去噪方法。作者設計的不同於其他基於學習的方法：一個DCNN來實現噪聲影象。因此，通過從汙染影象中分離噪聲影
基於圖學習的影象去噪（二）——圖學習演算法
3.圖學習在影象降噪中的經典演算法 3.1 Perturbation of the Eigenvectors of the Graph Laplacian: Application to Image
【OCR技術系列之四】基於深度學習的文字識別（3755個漢字）
架構 indices 編碼 協調器 論文 準備 分享 深度 ast 上一篇提到文字數據集的合成，現在我們手頭上已經得到了3755個漢字（一級字庫）的印刷體圖像數據集，我們可以利用它們進行接下來的3755個漢字的識別系統的搭建。用深度學習做文字識別，用的網絡當然是CNN，那具
珍藏 | 基於深度學習的目標檢測全面梳理總結（下）
關於作者：@李家丞 同濟大學數學系本科在讀，現為格靈深瞳演算法部實習生。 作者個人主頁：李家丞 | 個人主頁 | 關於我 導言：目標檢測的任務表述 如何從影象中解析出可供計算機理解的資訊，是機器視覺的中心問題。深度學習模型由於其強大的表示能力，加之資料量的積累和
珍藏 | 基於深度學習的目標檢測全面梳理總結（上）
關於作者：@李家丞 同濟大學數學系本科在讀，現為格靈深瞳演算法部實習生。 作者個人主頁：李家丞|個人主頁|關於我 導言：目標檢測的任務表述 如何從影象中解析出可供計算機理解的資訊，是機器視覺的中心問題。深度學習模型由於其強大的表示能力，加之資料量的積累和計算力的
基於深度學習的推薦系統（二）MLP based
在第二部分，我們總結MLP基礎上的推薦系統，我在這裡只截取了原文的一部分內容。這篇部落格中所使用的註解字元和參考文獻目錄可以在基於深度學習的推薦系統（一）Overview中找到。我們把這些工作分為如下幾部分： 傳統推薦演算法的神經網路擴充套件 許多現有的推薦模型
DenoisingAutoencoder（影象去噪自動編碼器）
本文主要介紹使用TensorFlow實現DenoisingAutoencoder（影象去噪自動編碼器）。 下面是示例程式碼： # 匯入相關模組 import numpy as np import sys import tensorflow as tf import matplotlib.
基於深度學習的視訊檢測（四） yolo-v2和darkflow
yolo-v1 核心思想：從R-CNN到Fast R-CNN一直採用的思路是proposal+分類 （proposal 提供位置資訊， 分類提供類別資訊）精度已經很高，但是速度還不行。 YOLO提供了另一種更為直接的思路： 直接在輸出層迴歸bounding b
基於深度學習的視訊檢測（一）
一、簡介 影象目標檢測任務在過去幾年深度學習的發展背景下取得了巨大的進展，檢測效能得到明顯提升。但在視訊監控、車輛輔助駕駛等領域，基於視訊的目標檢測有著更為廣泛的需求。由於視訊中存在運動模糊，遮擋，形態變化多樣性，光照變化多樣性等問題，僅利用影象目標檢測技術檢
Matlab影象去噪（中值和均值）
簡單概念 影象去噪是數字影象處理中的重要環節和步驟。去噪效果的好壞直接影響到後續的影象處理工作如影象分割、邊緣檢測等。影象訊號在產生、傳輸過程中都可能會受到噪聲的汙染，一般數字影象系統中的常見噪聲主要有：高斯噪聲（主要由阻性元器件內部產生）、椒鹽噪聲（主要是影
基於深度學習的視訊檢測（三） 目標跟蹤
搭建環境 基於 darkflow (yolo-v2)和 sort/deep_sort 實現目標檢測與追蹤 安裝依賴 #sort $sudo pip install numba $sudo pip install matplotlib $
【轉載】《零基礎入門深度學習》系列文章（教程+程式碼）
轉自：https://blog.csdn.net/TS1130/article/details/53244576 無論即將到來的是大資料時代還是人工智慧時代，亦或是傳統行業使用人工智慧在雲上處理大資料的時代，作為一個有理想有追求的程式設計師，不懂深度學習（Deep Learning）這個超熱的技
深度學習之啟用函式（Python實現）
import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from tensorflow.python.framework import ops ops.reset_defau
MATLAB 深度學習：自編碼（含MATLAB）
本節將研究深度學習網路權值設計的重要思想之一：自編碼思想，在正式介紹之前先以一個簡單的介紹一篇，一層隱含層網路的自編碼學習問題。 那麼這種網路有什麼實際應用呢？自動編碼器（Autoencoder）是當前深度學習研究的熱點之一，有很多重要的應用領域，這裡僅舉一個有趣的例
深度學習常見面試題（更新中）
1: LSTM結構推導，為什麼比RNN好？ 答案：推導forget gate，input gate，cell state， hidden information等的變化；因為LSTM有進有出且當前的cell informaton是通過input gate控制之
深度學習筆記——Attention Model（注意力模型）學習總結
深度學習裡的Attention model其實模擬的是人腦的注意力模型，舉個例子來說，當我們觀賞一幅畫時，雖然我們可以看到整幅畫的全貌，但是在我們深入仔細地觀察時，其實眼睛聚焦的就只有很小的一塊，這個時候人的大腦主要關注在這一小塊圖案上，也就是說這個時候人腦對整幅圖的關注並
深度學習專案問題彙總（20180110更新）
1. tfrecords資料轉換問題 1.1 ipython或python console使用問題 在ipython或python console中使用import 某個指令碼模組，指令碼修改後，通
[轉]《零基礎入門深度學習》系列文章（教程+程式碼）
無論即將到來的是大資料時代還是人工智慧時代，亦或是傳統行業使用人工智慧在雲上處理大資料的時代，作為一個有理想有追求的程式設計師，不懂深度學習（Deep Learning）這個超熱的技術，會不會感覺馬上就out了？現在救命稻草來了，《零基礎入門深度學習》系列文章旨
基於深度學習的影象去噪暨SRMD論文閱讀筆記
最近一直在做基於卷積神經網路的影象去噪~感覺資料比較凌亂，本博文就是整理好經典的論文材料~ 同時本博文也結合了閱讀論文《Learning a Single Convolutional Super-Resolution Network for Multiple Degradations》時的心