开源图像降噪算法与项目介绍【持续更新】
Intel® Open Image Denoise
介绍：Intel® Open Image Denoise（OIDN）是一个开源库，在其宽松的Apache 2.0许可协议下发布，并作为Intel® Rendering Toolkit的一部分存在。该库集成了一系列高性能去噪滤镜序列，默认专为光线追踪渲染图像进行处理。OIDN的核心组件是一系列基于深度学习开发的去噪滤镜序列，在样本密度从1 spp到几乎完全收敛的范围内展现出优异效果，并适用于预览以及最终帧渲染场景使用。除了通过嘈杂的颜色（beauty）缓冲区进行基础去噪外，在必要时还可以选择性地引入辅助特征缓冲区（如反照率贴图或法线贴图）以进一步提升细节保留能力。
2. GitHub星：1,800
3. GitHub地址：https://github.com/RenderKit/oidn
BSVD
介绍：BSVD（Bidirectional Streaming Video Denoising）是一种由香港科技大学提出的实时流视频去噪框架。其核心技术在于创新性设计的双向缓冲块（Bidirectional Buffer Block），该技术能够结合历史帧与未来帧信息对当前帧进行预测处理，并在此基础上实现高效的实时去噪效果。与传统方法相比，在保持较高图像质量的同时，BSVD框架还显著提升了去噪速度。其网络架构设计较为简洁高效，在实际应用中仅由两个UNet网络模块串联而成（称作W-Net）。在训练环节中引入了时间移位机制（Temporal Shift Module, TSM），而推理过程则依赖于双向缓冲块（Bidirectional Buffer Block, BBB）。这种独特的设计架构使得BSVD能够在推理过程中实现流水线式的处理流程，在保证图像质量的同时实现了真正的实时性。
GitHub星 ：69
GitHub地址 ：https://github.com/ChenyangQiQi/BSVD
Papers with Code - Image Denoising
Papers with Code - Image Denoising
Zero-Shot Noise2Noise
介绍：Zero-Shot Noise2Noise（ZS-N2N）是一种无需依赖训练数据或噪声分布知识的高效图像去噪技术。它源自于Noise2Noise（N2N）和Neighbor2Neighbor（NB2NB）方法的研究思路，并特别适用于逐像素独立噪声场景下的去噪处理。该方法通过利用单个噪声样本生成两套相关的噪声图像，并基于这两组数据训练一个简单的两层神经网络模型来实现去噪效果。经过在人工标注数据集、真实相机环境以及显微镜成像系统等不同场景下的实验验证，在不依赖训练数据的前提下展现出优异的表现，在成本投入方面也比现有无监督学习方法更为经济适用，并且特别适合于资源受限或者数据稀缺的应用环境。
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
- 本研究对图像去噪领域的多种算法进行了系统性收集。
- 其中涵盖了自传统方法到深度学习驱动的各类图像降噪技术。
- GitHub星：2.4k
- GitHub地址：https://github.com/wenbihan/reproducible-image-denoising-state-of-the-art
DnCNN
介绍 ：DnCNN（一种深度学习方法）是专注于图像去噪的技术方案。该算法通过分析带噪声图像与估计出的干净图像之间的差异来实现降噪过程。具体而言，在DnCNN网络架构中包含多个关键组件：首先是卷积层作为特征提取器；随后是多组卷积层、批归一化单元以及带有ReLU激活函数的模块；最终通过最后一个卷积层生成最终的干净图像输出。研究结果表明，在不同噪声强度下测试表明其去噪性能均表现出色。
GitHub星 ：1.4k
GitHub地址 ：https://github.com/cszn/DnCNN
MAXIM
- 介绍：MAXIM: Multi-Axis MLP for Image Processing 是一篇在 CVPR 2022 上获得提名的最佳论文图像处理模型。该模型由谷歌研究团队开发，基于多层感知机（MLP）架构设计，并专注于解决图像去噪、去模糊、去雨、去雾以及增强等多种图像处理任务。
2.GitHub 星：999
3.GitHub 地址：https://github.com/google-research/maxim
