VIP20
本课程属于：049-AI　ISP混合架构开发 AI视觉与工业视觉 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

深度学习降噪与细节保留

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
图像噪声的来源与分类（高斯噪声 · 椒盐噪声 · 泊松噪声）
课程导论图像噪声的来源
02
传统降噪方法（上）
均值滤波 · 高斯滤波的原理与实现 · 优缺点分析
传统降噪方法均值滤波
03
传统降噪方法（下）
中值滤波 · 双边滤波的原理与实现 · 边缘保留特性分析
传统降噪方法值滤波
04
从传统到深度学习
为什么需要深度学习？深度学习降噪的基… · 无监督 · 自监督）
从传统到深度学习为什么需要深度学…
05
深度学习基础回顾
卷积神经网络（CNN）核心组件（卷积… · 激活函数 · 池化层
深度学习基础回顾CNN
06
经典降噪网络架构（一）
DnCNN - 残差学习策略 · 批量归一化（BN）的作用 · 网络结构详解
经典降噪网络架构DnCNN
07
经典降噪网络架构（二）
FFDNet - 噪声水平图（Noi… · 非均匀噪声处理
经典降噪网络架构FFDNet
08
经典降噪网络架构（三）
CBDNet - 真实噪声建模 · 非对称损失函数与噪声估计子网络
经典降噪网络架构CBDNet
09
自监督降噪（一）
Noise2Noise - 原理推导 · 配对噪声图像的获取与训练策略
自监督降噪Noise2Noise
10
自监督降噪（二）
Noise2Void / Noise… · 像素掩码策略
自监督降噪Noise2Void
11
自监督降噪（三）
Neighbor2Neighbor… · 损失函数构造
自监督降噪Neighbor2Nei…
12
细节保留的核心技术（一）
感知损失（Perceptual Lo… · 风格损失与内容损失
细节保留的核心技…Perceptual
13
细节保留的核心技术（二）
对抗损失（Adversarial L… · 如何迫使输出更真实
细节保留的核心技…Adversarial
14
细节保留的核心技术（三）
边缘损失（Edge Loss）与梯度… · 高频信息约束
细节保留的核心技…Edge
15
细节保留的核心技术（四）
频率域分解 - 小波变换（DWT）与… · 低频与高频分开处理
细节保留的核心技…DWT
16
注意力机制在降噪中的应用
通道注意力（SENet） · 空间注意力 · 非局部均值（Non-local）网络
注意力机制降噪
17
Transformer在降噪中的应用
SwinIR · Uformer · Restormer - 窗口注意力与…
Transformer降噪
18
真实图像降噪挑战
真实噪声与合成噪声的差异 · 噪声建模（Poisson-Gauss… · 数据集的构建（SIDD
真实图像降噪挑战真实噪声
19
盲降噪（Blind Denoising）
无需知道噪声水平的降噪方法 · 噪声估计网络的设计
BlindDenoising
20
视频降噪基础
时域信息的利用 · 光流法（Flow-based）与3D…
视频降噪基础时域信息的利用
21
视频降噪进阶
DVDNet · FastDVDNet - 时空特征融… · 递归网络与记忆机制
视频降噪进阶DVDNet
22
降噪与超分辨率的联合任务
如何在一个框架内同时处理降噪与超分 · 端到端训练策略
降噪超分辨率的联合任…
23
降噪与去马赛克（Demosaicing）的联合任务
RAW域降噪 · ISP Pipeline的整合
Demosaicing降噪
24
模型轻量化与移动端部署
知识蒸馏 · 模型剪枝 · 量化（INT8/FP16）在降噪网络…
模型轻量化移动端部署
25
损失函数深度解析
L1 vs L2损失 · SSIM损失 · MS-SSIM损失
损失函数深度解析L1
26
训练技巧与调参
学习率调度（Cosine Annea… · Warm-up） · 数据增强（Random Crop
训练技巧调参
27
评估指标详解
PSNR · SSIM · LPIPS
评估指标详解PSNR
28
开源工具与框架实战
OpenCV · scikit-image · PyTorch
开源工具框架实战
29
项目实战（一）
基于DnCNN的灰度图降噪 - 从数…
项目实战DnCNN
30
项目实战（二）
基于Restormer的真实彩色图像… · 对比SOTA方法
项目实战Restormer