Awesome-Image-Denoising

github2024-10-20 更新2026-06-04 收录

图像去噪

真实世界图像处理

数据链接：

https://github.com/House-Leo/Awesome-Image-Denoising 数据链接链接失效反馈

官方服务：

资源简介：

这是一个关于图像去噪的数据集合集，专门收集和整理与图像去噪相关的数据集资源，特别是真实世界图像去噪领域的数据集。该合集还包含相关论文、研讨会论文、调查和评估指标，旨在为研究人员和开发者提供一个全面的资源索引。

This is a curated collection focused on image denoising datasets. It specifically gathers and organizes dataset resources related to image denoising, with a particular emphasis on datasets for real-world image denoising. Additionally, this collection includes relevant academic papers, workshop proceedings, survey literature, and evaluation metrics, aiming to provide researchers and developers with a comprehensive resource index.

创建时间：

2021-04-29

原始信息汇总

数据集概述

该页面为 Awesome-Image-Denoising 项目，专注于收集图像去噪相关的论文和数据集，尤其关注真实世界图像去噪领域。

主要内容

1. 论文分类

基于深度学习的方法：涵盖从2014年至2021年的论文，并特别列出了2021年的代表性工作，例如：
- MPRNet (CVPR 2021) - 多阶段渐进式图像恢复
- Neighbor2Neighbor (CVPR 2021) - 自监督去噪
- NBNet (CVPR 2021) - 基于噪声基学习的去噪
- PIPT (CVPR 2021) - 预训练图像处理Transformer
- Pseudo-ISP (arXiv) - 从色图像去噪器学习伪ISP流程
- VDID (arXiv) - 变分深度图像去噪
其他论文索引：包含2014-2016年、2017年、2018年、2019年、2020年、2021年以及非深度学习方法的论文列表。

2. 数据集

页面通过 datasets.md 文件提供了数据集的导航链接（具体内容需自行查看）。

3. 评价指标

PSNR (峰值信噪比)：提供Wiki、Matlab、Python和PyTorch实现代码链接。
SSIM (结构相似性)：提供Wiki、Matlab、Python和PyTorch实现代码链接。
NIQE (自然图像质量评估器)：提供Web、Matlab和Python实现代码链接。

4. 其他资源

图像去噪研讨会论文集：通过 workshops.md 文件导航。
图像去噪综述 (基于深度学习)：通过 survey.md 文件导航。
度量标准代码：提供上述三种常用图像质量指标的参考实现。

更新与联系

作者仍在持续收集论文，欢迎通过提交issue或发送邮件至 lihao9605 [at] gmail.com 添加新论文。

搜集汇总

数据集介绍

构建方式

该数据集并非传统意义上的图像集合，而是一个系统化的资源索引库。其构建方式基于对图像去噪领域，尤其是真实世界图像去噪研究的广泛文献调研。维护者系统梳理了自2014年至2021年间涌现的深度学习与非深度学习方法的论文，并参考了z-bingo等人的综述工作，将模型、发表会议、代码链接等关键信息以结构化表格形式呈现。同时，数据集整合了常用的图像质量评估指标（如PSNR、SSIM、NIQE）及其多种编程语言实现代码，并收录了相关研讨会论文与综述，形成了一个涵盖算法、评估与学术动态的综合性知识框架。

特点

该数据集的核心特点在于其高度的时效性与针对性。它聚焦于最具挑战性的真实世界图像去噪问题，而非局限于合成噪声场景。资源库以年份为轴，清晰勾勒出深度学习技术在图像去噪领域的发展脉络，收录了如MPRNet、Neighbor2Neighbor等2021年的前沿工作。此外，数据集提供了丰富的多语言代码实现（包括Matlab、Python、PyTorch），极大降低了研究者复现与对比的门槛。其开放式维护机制允许研究人员通过邮件或Issue直接贡献新论文，确保了资源的持续更新与活力。

使用方法

使用者可通过GitHub仓库的快速导航目录高效检索所需内容。针对特定年份的深度学习去噪方法，可直接查阅对应标记的论文列表文件，其中包含了每篇论文的标题、发表会议、论文链接及官方代码仓库。对于非深度学习或研讨会论文，亦有独立文件供查阅。评估模型性能时，可参考'Metric'部分提供的标准图像质量指标定义与代码实现。若需开展系统性研究，数据集内置的综述文件（Survey）提供了该领域的宏观视角。研究者亦可直接联系维护者以贡献或更新自己的研究成果。

背景与挑战

背景概述

图像去噪作为底层视觉任务中的核心问题，旨在从含噪观测中恢复高质量清晰图像，其研究历史可追溯至数十年前。随着深度学习技术的爆发式发展，基于卷积神经网络与Transformer架构的去噪方法在合成噪声场景下取得了显著突破，然而真实世界图像中的噪声分布复杂且难以建模，成为领域内亟待攻克的难题。Awesome-Image-Denoising数据集由研究者李浩等人于2021年创建，依托GitHub平台系统整理图像去噪领域的论文、数据集与评价指标，尤其聚焦于真实世界图像去噪方向。该资源库通过分年度归纳深度学习去噪方法（如MPRNet、Neighbor2Neighbor等2014至2021年的代表性工作），为研究者提供了清晰的文献脉络与基准代码入口，极大推动了去噪任务的标准化评估与前沿探索，成为该领域重要的学术参考枢纽。

当前挑战

当前图像去噪领域面临的核心挑战包括：其一，真实噪声的多样性与不可预测性——传感器热噪声、光子散粒噪声及量化噪声等混合分布使得合成噪声训练的模型难以泛化至实际场景，亟需构建更贴近物理成像过程的噪声建模方法；其二，构建高质量真实世界去噪数据集难度极高，需在相同场景下同时采集干净与含噪图像对，受限于硬件同步与运动伪影，现有数据集规模普遍较小且场景覆盖不足；其三，去噪任务与图像语义保持之间的平衡，过度平滑会丢失纹理细节，而保留噪声则影响视觉质量，这对损失函数设计与网络架构提出严苛要求。此外，无监督与自监督方法虽缓解了对成对数据的依赖，但其性能上限与稳定性仍是开放问题。

常用场景

经典使用场景

在计算机视觉与图像处理领域，图像去噪作为底层视觉任务中的基石性问题，其核心目标在于从含噪观测中恢复出高质量的清晰图像。Awesome-Image-Denoising数据集汇集了多种真实与合成噪声场景下的图像样本，为研究者提供了标准化的训练与评估平台。该数据集最经典的使用场景集中于监督学习下的端到端去噪模型训练，如MPRNet与NBNet等深度网络，通过海量成对噪声-干净图像对，学习从噪声到干净空间的映射函数。此外，其亦广泛应用于自监督与无监督去噪方法的验证，例如Neighbor2Neighbor利用单张含噪图像实现去噪，充分展现了该数据集在推动轻量化与实用性算法发展中的核心价值。

衍生相关工作

该数据集催生了众多具有里程碑意义的学术工作，深刻影响了图像复原领域的发展轨迹。在深度学习范式下，MPRNet提出了多阶段渐进式修复架构，通过跨阶段特征融合显著提升了去噪性能；NBNet则从噪声子空间投影的角度出发，实现了对噪声成分的精准分离。在自监督学习方面，Neighbor2Neighbor打破了传统方法对成对数据的依赖，为无监督去噪开辟了新路径。此外，PIPT将Transformer架构引入图像预处理任务，展示了自注意力机制在全局上下文建模中的潜力。这些衍生工作不仅推动了去噪领域的理论创新，还辐射至超分辨率、去模糊等关联任务，形成了良性发展的学术生态。

数据集最近研究