Intel® Open Image Denoise
- 介绍：Intel® Open Image Denoise（OIDN）是一个开源库，它提供了一系列高性能、高质量的去噪滤镜，专门用于光线追踪渲染的图像。这个库是Intel® Rendering Toolkit的一部分，并且是在宽松的Apache 2.0许可下发布的。OIDN的核心是一系列基于深度学习的去噪滤镜，这些滤镜能够处理从1 spp（样本每像素）到几乎完全收敛的广泛样本范围，使其适用于预览和最终帧渲染。除了仅使用嘈杂的颜色（beauty）缓冲区进行去噪外，还可以选择性地使用辅助特征缓冲区（例如反照率、法线贴图）以尽可能保留细节。
- GitHub星：1.8k
- GitHub地址：https://github.com/RenderKit/oidn
BSVD
- 介绍：BSVD（Bidirectional Streaming Video Denoising）是一种实时流视频去噪框架，由香港科技大学提出。它的核心是一个新颖的双向缓冲块（Bidirectional Buffer Block），能够利用过去和未来的帧来预测当前帧，实现高效的实时去噪。BSVD框架不仅能够处理视频流中的噪声，还能够保持较高的图像质量，同时实现快速的推理速度。BSVD的网络结构相对简单，由两个UNet网络级联而成，称为W-Net。在训练阶段，网络使用时间移位模块（Temporal Shift Module, TSM），而在推理时则使用双向缓冲块（Bidirectional Buffer Block, BBB）。这种设计使得BSVD在推理时能够以流水线的形式进行，从而实现实时处理。
- GitHub星：69
- GitHub地址：https://github.com/ChenyangQiQi/BSVD
Papers with Code - Image Denoising
- 介绍：“Papers with Code - Image Denoising” 是一个汇集了图像去噪领域的研究论文、代码实现、基准测试和数据集的资源平台。该平台提供了多种图像去噪技术的排行榜。
- 官网：https://paperswithcode.com/task/image-denoising
Zero-Shot Noise2Noise
- 介绍：Zero-Shot Noise2Noise（ZS-N2N）是一种无需任何训练数据或噪声分布知识的高效图像去噪方法。这种方法受到Noise2Noise（N2N）和Neighbor2Neighbor（NB2NB）的启发，特别适合于逐像素独立噪声的去噪。ZS-N2N通过使用单个噪声图像生成一对噪声图像，并用这对图像训练一个简单的两层神经网络，从而实现去噪。这种方法在人工、真实世界相机和显微镜噪声的实验中表现出色，常常以更低的成本超越现有的无数据集方法，适合数据稀缺且计算资源有限的情况。
- 论文：Zero-Shot Noise2Noise: Efficient Image Denoising without any Data
- 网址：https://colab.research.google.com/drive/1i82nyizTdszyHkaHBuKPbWnTzao8HF9b?usp=sharing#scrollTo=rOnvECU38H_R
DIP (Deep Image Prior)
- 介绍：Deep Image Prior（DIP）是一种利用深度学习进行图像恢复的技术，它通过使用随机初始化的深度卷积网络来处理图像去噪、超分辨率和修复等逆问题。DIP的核心思想是，即使在没有学习之前，生成器网络的结构也能够捕获大量的低级图像统计信息。这意味着，一个随机初始化的神经网络本身就可以作为一个手工先验，用于解决标准的逆问题，如去噪、超分辨率和图像修复等。
- 官网：https://dmitryulyanov.github.io/deep_image_prior
- GitHub星：7.8k
- GitHub地址：https://github.com/DmitryUlyanov/deep-image-prior
reproducible-image-denoising-state-of-the-art
- 介绍：收集各类图像去噪的算法GitHub项目，里面收集了包括传统的、深度方向的图像降噪各类算法。
- GitHub星：2.4k
- GitHub地址：https://github.com/wenbihan/reproducible-image-denoising-state-of-the-art
DnCNN
- 介绍：DnCNN（Deep Convolutional Neural Network for Image Denoising）是一种深度学习方法，用于图像去噪。它通过学习噪声图像的残差来实现去噪，即使用带噪声图像减去估计的噪声来得到干净的图像。DnCNN 网络通常包含一个卷积层、多个卷积层与批归一化和ReLU激活函数的组合，以及最后一个卷积层来输出噪声图。DnCNN 已被证明在多种噪声水平下都具有良好的去噪效果。
- GitHub星：1.4k
- GitHub地址：https://github.com/cszn/DnCNN
MAXIM
- 介绍：MAXIM: Multi-Axis MLP for Image Processing 是一个在 CVPR 2022 上被提名为最佳论文的图像处理模型。这个模型由谷歌研究团队提出，它是基于多层感知器（MLP）构建的，用于处理包括图像去噪、去模糊、去雨、去雾和增强等多种图像处理任务。
- GitHub星：999
- GitHub地址：https://github.com/google-research/maxim
