-
BM3D：把相似块堆成3D组做协同滤波
BM3D算法详解：通过块匹配将相似图像块堆叠成3D组，在变换域协同滤波实现高精度去噪。涵盖两步流水线、Haar小波选择、与NL-means对比及实验结果分析。
-
从噪声图像自身学字典做去噪
Elad 与 Aharon 2006 年提出的 K-SVD 字典学习去噪方法：直接从带噪图像自身学习冗余字典，结合稀疏编码与 OMP，在中低噪声下超越小波等预设变换，开创数据驱动图像处理新范式。
-
非局部均值：用图像自身的冗余去噪
解析2005年CVPR经典论文Non-Local Means：通过比较图像全局patch相似性实现去噪，引入「方法噪声」评估框架，在Lena测试中均方误差仅为全变分法的62%，奠定BM3D与非局部注意力机制的理论基础。
-
用小波收缩适应未知光滑性
解析 Donoho 与 Johnstone 1994 年提出的 SureShrink 算法：通过小波系数软阈值化与 Stein 无偏风险估计，在无需任何光滑性先验的情况下，于 Besov 空间上同时达到近极小极大收敛速率…
CyberGeek
CyberCode Chronicles
