BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  28,235,224
  • Công bố khoa học và công nghệ Việt Nam

47

Viễn thám

BB

Phạm Công Thắng(1), Phan Minh Nhật

Khử nhiễu poisson trên ảnh số dựa trên học tương phản tăng cường

Poisson image denoising based on augmented contrastive learning

Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng

2025

3

59-63

1859-1531

Khử nhiễu ảnh, Nhiễu Poisson, Mạng nơ ron, Học tương phản tăng cường, Biểu diễn thưa, Không gian đồng thuận

Image Denoising, Poisson noise, Neural network, Enhanced contrastive learning, Sparse representation, Consensus space

Khử nhiễu Poisson trên ảnh số là một thách thức quan trọng trong xử lý ảnh, đặc biệt khi nhiễu phụ thuộc tín hiệu và thay đổi theo cường độ tín hiệu. Các phương pháp khử nhiễu hiện nay chủ yếu dựa trên giả định nhiễu Gaussian, do đó không thể áp dụng hiệu quả với nhiễu Poisson. Nghiên cứu này giới thiệu phương pháp khử nhiễu ảnh thông qua học tương phản có giám sát (PDSCL) nhằm giải quyết vấn đề này. Phương pháp sử dụng mạng nơ-ron để học các biểu diễn thưa, mô hình hóa các vùng ảnh tương tự và lặp lại, từ đó tăng khả năng khử nhiễu. Đồng thời, học tương phản tăng cường được áp dụng bằng cách sử dụng các ảnh nhiễu hoặc đã khôi phục làm ví dụ tiêu cực trong không gian đồng thuận, cải thiện hiệu quả khử nhiễu. Để khắc phục sự mơ hồ trong quá trình học, nhóm tác giả đề xuất chiến lược học sắp xếp ví dụ tiêu cực theo mức độ khó, nhằm tối ưu hóa hiệu suất của giải pháp đề xuất.

Poisson noise removal in digital images is a significant challenge in image processing, particularly when the noise is signal-dependent and varies with signal intensity. Current denoising methods mainly rely on the assumption of Gaussian noise, making them ineffective for Poisson noise. This study introduces a method for image denoising through Supervised Contrastive Learning (PDSCL) to address this issue. The proposed method leverages neural networks to learn sparse representations, model similar and repetitive image regions, and thereby enhance noise reduction. Additionally, supervised contrastive learning is applied by using noisy or restored images as negative examples in the consensus space, improving denoising efficiency. To overcome ambiguity during the learning process, the authors propose a strategy to arrange negative examples based on difficulty levels, optimizing the proposed method’s performance.

TTKHCNQG, CVv 465

Xem toàn văn