去噪：从经典方法到深度 CNN
机器学习
2024-04-26 v1
摘要
本文旨在以教育性方式探索图像去噪的演变。我们简要回顾了诸如傅里叶分析和小波基等经典方法，突出了它们在神经网络出现于 2010 年代之前所面临的挑战。 Kadkhodaie 等人（2024 年）等研究表明，这些网络在各种图像类型上的卓越性能，包括具有固定规则性的图像、面部图像和卧室场景，实现最佳结果并倾向于几何自适应调和基。得分扩散的引入在图像生成方面发挥了关键作用。在此背景下，去噪成为必不可少的步骤，因为它促进了概率密度得分的估计。我们讨论了真正学习概率密度的先决条件，提供从数学研究到普遍结构含义的见解。
引用
@article{arxiv.2404.16616,
title = {Robust Capped lp-Norm Support Vector Ordinal Regression},
author = {Haorui Xiang and Zhichang Wu and Guoxu Li and Rong Wang and Feiping Nie and Xuelong Li},
journal= {arXiv preprint arXiv:2404.16616},
year = {2024}
}