SFEMGN: Image Denoising with Shallow Feature Enhancement Network and Multi-Scale ConvGRU

计算机科学 人工智能 降噪 特征(语言学) 卷积神经网络 模式识别(心理学) 卷积(计算机科学) 块(置换群论) 图像(数学) 图像去噪 比例(比率) 特征提取 计算机视觉 人工神经网络 数学 量子力学 物理 哲学 语言学 几何学
作者
Qidong Wang,Lili Guo,Shifei Ding,Jian Zhang,Xu Xiaoli
标识
DOI:10.1109/icassp49357.2023.10095471
摘要

Image denoising methods based on convolutional neural networks have been popular and achieved relatively excellent performance. However, most of the existing methods cannot fully obtain and use the shallow feature information when removing noise, and cannot better combine information between various network layers. In this paper, we propose an image denoising algorithm based on a feature enhancement network and multi-scale convGRU, named a shallow feature enhancement and multi-scale convGRU denoising network (SFEMGN), through an in-depth study of convolutional networks and GRU networks. We first propose a feature enhancement block to extract richer shallow features and enhance the protection of image details. Furthermore, the proposed SFEMGN integrates a multi-scale convolution GRU module, which can combine spatial features and temporal features at the same time. Comparative experiments and ablation studies demonstrate that our proposed model can achieve competitive performance in both gray and color image denoising tasks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
听风完成签到,获得积分10
1秒前
CipherSage应助靓仔看文献采纳,获得10
1秒前
1秒前
科研通AI2S应助霸气的愫采纳,获得10
2秒前
Dyeing完成签到,获得积分20
2秒前
我是老大应助hxhjy采纳,获得50
3秒前
19完成签到,获得积分10
3秒前
5秒前
完美的天空应助super采纳,获得10
5秒前
科目三应助左友铭采纳,获得10
6秒前
活力香菇发布了新的文献求助10
6秒前
hao发布了新的文献求助10
6秒前
6秒前
哈哈哈完成签到,获得积分10
7秒前
7秒前
孤蚀月发布了新的文献求助10
8秒前
kourosz发布了新的文献求助200
8秒前
银河系浮光完成签到 ,获得积分10
8秒前
SciGPT应助coccocococo采纳,获得10
9秒前
zzzzzz发布了新的文献求助30
9秒前
有魅力的觅双完成签到,获得积分20
9秒前
10秒前
dyy发布了新的文献求助10
10秒前
乐乐应助hao采纳,获得10
11秒前
mqthhh发布了新的文献求助10
11秒前
烤肠发布了新的文献求助10
12秒前
wy.he应助雪松采纳,获得10
13秒前
科研通AI2S应助追风舞尘采纳,获得10
14秒前
14秒前
fabius0351完成签到 ,获得积分10
14秒前
14秒前
15秒前
15秒前
无花果应助Miracle采纳,获得10
16秒前
tgh发布了新的文献求助50
17秒前
善学以致用应助mqthhh采纳,获得10
18秒前
18秒前
爱吃汤圆的猫完成签到 ,获得积分10
18秒前
19秒前
Hii发布了新的文献求助10
20秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Sensory analysis — Methodology — Guidelines for the measurement of the performance of a quantitative descriptive sensory panel 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3246076
求助须知:如何正确求助?哪些是违规求助? 2889679
关于积分的说明 8259727
捐赠科研通 2558094
什么是DOI,文献DOI怎么找? 1387004
科研通“疑难数据库(出版商)”最低求助积分说明 650362
邀请新用户注册赠送积分活动 626793