-
从四篇经典论文看图像去噪方法的演进脉络：稀疏性、自相似性与自适应性
从SureShrink、NL-means、K-SVD到BM3D，梳理四篇经典论文中图像去噪方法的演进脉络，深入解析稀疏性、自相似性与自适应性三大核心思想的发展与融合。
-
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。
CyberGeek
CyberCode Chronicles
