随着图像处理领域的不断发展,图像噪声处理成为该领域中的主要研究问题之一。为了去除时频图像在获取和传输过程中的噪声,提高图像质量,对不同神经网络进行实验,以确定某种方法能够有助于更好地去除时频图形中的噪声。使用的深度学习方法包括变分自编码器(Variational Auto-Encoder,VAE)和扩散模型。变分自编码器可以学习到数据的特征表示,通过将输入数据映射到潜在空间中,从潜在空间中采样一个随机向量,将采样得到的潜在变量映射回重构空间,并在解码器中重构出去噪后的输出数据,学习数据的潜在分布,达到去除时频图像噪声的目的。另一种是基于LoRA(Low-Rank Adaptation of Large Language Models,LoRA)的扩散模型算法,不同于传统深度学习去噪模型,该方法通过引入LoRA模块,将时频图像的噪声去除分为两个部分,分别学习时频图像的噪声分布以及时频图像的特征描述文本,从而减少网络在训练过程中的训练参数,实现了对时频图像的噪声去除。通过实验对比,去噪效果比较好的是基于LoRA的扩散模型,峰值信噪比和结构相似度均高于变分自编码器模型。
