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.
InstantFusion: 이종 이미지 생성기를 위한 공유 잠재 인터페이스
IS-Diff: 더 나은 초기 시드를 통한 디퓨전 기반 인페인팅 개선
샘플 복제를 넘어서: 디퓨전 모델의 구조적 암기
주변분포에서 결합분포로 가는 티켓: 확산 언어 모델의 1단계 블록 생성을 위한 결합 노이즈 증류
SparkDiffusion: 고희소성 함정 완화 --- 시각 생성의 최대 265배 단일 GPU 가속을 위한 통합 프레임워크
ELF-REG: 연속형 디퓨전 언어 모델을 추론 작업으로 확장하기
Diffusion-2BC: 자율주행 오프라인 행동 복제를 위한 확산 및 회귀 하이브리드 학습
프롬프트에 노이즈 추가하기: 연속 확산 언어 모델에서 조건부 토큰 노이즈화
소수 스텝 증류 텍스트-투-이미지 확산 모델에서 선호도 기반 언러닝 활성화
Fluid-Gen-Zero: 학습 없이 사전학습된 비디오 생성기를 물리 법칙에 그라운딩하기
노이즈가 있는 지도 환경의 멀티모달 학습에서 신뢰할 대상을 학습하기
연결 관계 개선을 통한 격차 해소: 자율주행 장면 토폴로지를 위한 신뢰할 수 있는 향상 프레임워크
ELROND: 확산 모델의 내재적 능력 탐험 및 분해
적시 종료: 확산 언어 모델을 위한 토큰 수준 조기 종료
Bi-CamoDiffusion: 위장 객체 검출을 위한 경계 정보 기반 확산 접근법
확산 모델의 기하학 인식 이산화 오차
망가뜨리지 않고 제어하기: 이산 확산 언어 모델을 위한 기계론적 정보 기반 개입
확산 모델 해석을 위한 잔차화된 시간 희소 오토인코더
점수 기반 생성 모델에서 확률적 경사하강법의 비점근적 수렴
LightCrafter: 제어 가능하고 일관된 리라이팅을 위한 PBR 조건부 비디오 확산 정제
관성 가둠 핵융합 예측을 위한 분해 유도 확산 언어 모델
SALD: 확산 모델을 위한 자체 참조 이점 학습
확산 모델 기반 비디오 편집: 서베이
반원을 넘어서: 규정된 평형 상태를 갖는 자유 확산 모델
REPA-G: 표현 정렬된 시각 특징을 활용한 테스트 시점 조건화
PC-Diffuser: 확산 기반 궤적 플래너를 위한 경로 일관적 캡슐 CBF 안전 필터링
FSCE: 노이즈 강인한 SAR ATR을 위한 타깃 인식 주파수-공간 협업 강화 프레임워크
ForcingDAS: 확산 포싱을 통한 통합 및 강건한 데이터 동화
CSWAM: 월드 액션 모델에서의 분포 외 일반화를 위한 더 나은 인과적 의미 표현
마스크 이산 확산 모델에서 타우 리핑을 위한 스케줄 최적화
EEGDM: 잠재 확산 모델을 활용한 EEG 표현 학습
플로우 맵 디노이저: 역문제를 위한 왜곡-지각 평면 탐색
Video DeltaNet: 라이브스트림 비디오 생성을 위한 비디오 네이티브 하이브리드 어텐션
TACD: 종단 증폭 제어를 통한 효율적인 텍스트-모션 모델 증류
단일 단계 생성 모델에서의 시간으로서의 깊이
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.