文件名称：用卷积滤波器matlab代码-VDIR:变体深度图像降噪
文件大小：26.07MB
文件格式：ZIP
更新时间：2024-06-10 06:30:24
系统开源
用卷积滤波器matlab代码VDID Jae Woong Soh和Nam Ik Cho [] 环境环境 Ubuntu 18.04 （> = 1.8） CUDA 11.2和cuDNN Python 3.7 抽象的 卷积神经网络（CNN）在大规模数据集的帮助下在图像去噪方面表现出出色的性能。 早期的方法幼稚地训练了具有多对干净噪声图像的单个CNN。 但是，给定有噪点的干净图像的条件分布过于复杂和多样化，因此单个CNN不能很好地学习这种分布。 因此，也存在一些利用附加噪声级参数或为特定噪声级参数训练单独的CNN的方法。 这些方法将原始问题分解为更简单的子问题，因此与单纯训练的CNN相比，它们显示出更高的性能。 在这一步中，我们提出两个问题。 第一个是将条件分布仅与噪声水平参数相关联是否是一种最佳方法。 第二个是如果我们没有噪音水平信息（例如在实际情况下）该怎么办。 为了回答这些问题并提供更好的解决方案，我们提出了一种基于目标函数变分近似的新颖贝叶斯框架。 这使我们能够将复杂的目标分布分为更简单的子分布。 最终，降噪的CNN可以征服每个子分布的噪声，这通常比原始噪声更容易解决。 实验表明，所提
【文件预览】：
VDIR-master
----utils.py(2KB)
----test.py(4KB)
----Model()
--------model-Real_Noise.index(6KB)
--------model-AWGN.data-00000-of-00001(8.5MB)
--------model-AWGN.meta(379KB)
--------model-Real_Noise.meta(379KB)
--------model-AWGN.index(6KB)
--------model-Real_Noise.data-00000-of-00001(8.5MB)
----train_AWGN.py(9KB)
----dataset()
--------Kodak24()
----ops.py(2KB)
----generate_AWGN.py(3KB)
----model.py(6KB)
----generate_REAL.py(4KB)
----figure()
--------result_AWGN.png(98KB)
--------Overall.png(125KB)
--------result_REAL.png(131KB)
----config.py(791B)
----README.md(5KB)
----train_REAL.py(11KB)