歡迎來到《每周CV論文推薦》。在這個專欄裡，還是本着有三AI一貫的原則，專注于讓大家能夠系統性完成學習，是以我們推薦的文章也必定是同一主題的。
圖像降噪是一個非常基礎的圖像處理領域，随着生成對抗網絡技術的成熟，基于GAN的圖像降噪在一些複雜問題上取得了比較不錯的進展，本次我們來簡單給大家推薦一些初學者值得關注的工作。
作者&編輯 | 言有三
1 基本噪聲仿真模型
我們之是以研究GAN模型用于圖像降噪，主要就是因為GAN模型有非常好的圖像生成能力，可以用于仿真真實的圖像噪聲，進而制造更多資料集，改善模型在真實噪聲資料上的泛化能力，GAN-CNN Based Blind Denoiser是一個最基本的思路可供參考。
文章引用量：400+
推薦指數：✦✦✦✦✧
[1] Chen J, Chen J, Chao H, et al. Image blind denoising with generative adversarial network based noise modeling[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 3155-3164.
2 條件GAN噪聲仿真模型
圖像噪聲的來源有很多因素，不同相機裝置，不同拍照參數（ISO等），外界幹擾等都會影響噪聲的不同，如果将這些因素考慮進去，可以更加精确地生成噪聲，其中GRDN是一個非常典型的工作。
文章引用量：80+
推薦指數：✦✦✦✦✧
[2] Kim D W, Ryun Chung J, Jung S W. Grdn: Grouped residual dense network for real image denoising and gan-based real-world noise modeling[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2019: 0-0.
3 聯合噪聲仿真與去噪模型
如果僅僅隻考慮噪聲生成，還隻是完成了資料仿真這一步，這與最終的圖像去噪任務沒有形成很好的回報，如果同時考慮圖像加噪與去噪，将會更有利于改進模型的噪聲仿真和去噪能力。
文章引用量：70+
推薦指數：✦✦✦✦✧
[3] Yue Z, Zhao Q, Zhang L, et al. Dual adversarial network: Toward real-world noise removal and noise generation[C]//European Conference on Computer Vision. Springer, Cham, 2020: 41-58.
[4] Cai Y, Hu X, Wang H, et al. Learning to generate realistic noisy images via pixel-level noise-aware adversarial training[J]. Advances in Neural Information Processing Systems, 2021, 34: 3259-3270.
4 圖像降噪應用
由于噪聲的類型非常多，是以圖像降噪有非常多的典型應用，比如圖像去雨是一個被研究的小衆但有現實意義的問題，其他還有一些與圖像修複相關的任務，比如去除一些污垢，瑕疵等。
文章引用量：1400+
推薦指數：✦✦✦✦✧
[5] Zhang H, Sindagi V, Patel V M. Image de-raining using a conditional generative adversarial network[J]. IEEE transactions on circuits and systems for video technology, 2019, 30(11): 3943-3956.