Papers with Code 아카이브
Denoising
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 6
- 평가표
- 6
- 보존된 평가 기록
- 15
Denoising is a task in image processing and computer vision that aims to remove or reduce noise from an image. Noise can be introduced into an image due to various reasons, such as camera sensor limitations, lighting conditions, and compression artifacts. The goal of denoising is to recover the original image, which is considered to be noise-free, from a noisy observation.
<span style="color:grey; opacity: 0.6">( Image credit: Beyond a Gaussian Denoiser )</span>
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
Plug-and-Play 이미지 복원을 위한 확률적 디노이징 정규화(SNORE)
Net-Ev$^2$: 네트워크 이벤트 진화를 위한 생성형 시뮬레이터
BASENet: 교차 대역 어텐션을 활용한 대역 적응형 음성 향상 네트워크
확산 기반 사후 샘플링을 위한 안정화된 경로 공간 접근법
데이터 기반 블록 희소 복원을 위한 딥 언폴딩 잠재 최적 분할 l2/l1 네트워크
OCOO-T: 전사적 섭동 반응 예측을 위한 간단하고 확장 가능한 가상 세포 모델
투영 코스틱(Projection Caustics)을 통한 생성 동역학에서 상전이의 기하학
수정된 역 확산 샘플링을 통한 분류기 유도 확산 모델의 저밀도 영역 탐험 강화
예산 제약 기반 스텝 수준 확산 모델 캐싱
물리적 외삽을 위한 최소 작용 원리 기반 디퓨전
에너지 보존 신경망 파이프라인: 물리적 보존 제약 조건을 통한 모듈형 신경망의 오류 전파 감쇠
강건한 비선형 시스템 식별을 위한 QENDy의 적분 공식화
손상된 레이블 탐지 및 수정을 위한 데이터 중심 프레임워크
균일한 분포에서 학습된 그래프 사전으로: 구조 발견을 위한 디퓨전
PianoKontext: 무미건조한(deadpan) 컨텍스트로부터의 표현적 연주 렌더링
비전-언어 모델을 위한 디퓨전 기반 누적 적대적 정제
물리 기반 시공간 모델링을 통한 AI 생성 영상 탐지
RSTR: 디퓨전 트랜스포머에서의 시공간 중복성 감소
실시간 신경망 기반 헤어 디노이징
IB-HFN: 정보 병목 기반 SAR-광학 융합 네트워크를 통한 고충실도 구름 제거
i1: 강력한 텍스트-이미지 모델을 위한 단순하고 완전 공개 레시피
RankVR: 강건한 합성 이미지 검색을 위한 저계수 구조 인식 및 가치 재보정
ERN-Net: 문서 이진화를 위한 진화적 추론 노드 네트워크
AnchorEdit: 인과적 메모리를 통한 다중 턴 이미지 편집의 시간적 일관성 유지
디퓨전 모델에서의 데이터 통계 학습 이론: 단순한 것에서 복잡한 것으로
완전 무작위 마스킹을 넘어서: 디퓨전 언어 모델을 위한 어텐션 유도 디노이징 및 최적화
MAGE: 블록 확산 LLM에서 All-Block은 이미 주시할 위치를 알고 있다
디노이징 피드백을 통한 강화학습
온-정책 증류를 통한 데이터 효율적인 자기회귀-디퓨전 언어 모델
DirectAudioEdit: 확산 예측 대비를 통한 인버전 없는 텍스트 기반 오디오 편집
언어 모델을 이용한 트레이스 재구성
TrioPose: 포즈 기반 텍스트-이미지 생성을 위한 네이티브 삼중 스트림 Diffusion Transformer
엔트로피를 구조적 사전으로 활용: DiT 신뢰 공간에 적용한 로그-배리어가 음악적 다양성과 전개를 이끄는 방식
TargetSEC: 각성 조건부 잠재 스타일 디퓨전을 통한 플러그 앤드 플레이 실제 환경(In-the-Wild) 음성 감정 변환
제한된 데이터의 최대 활용: 텍스트-음악 생성을 위한 점수 인지 학습 (Score-Aware Training)
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.