图像降噪-DnCNN论文阅读
一. Abstract
- 使用batchnorm,有效的加快训练和提升去噪表现
- 不同于现有的判别去噪模型通常在一定的噪声水平下训练特定的加性高斯白噪声模型(AWGN),我们的DnCNN模型能够处理未知噪声水平的高斯去噪(即盲高斯去噪)。
- 利用残差学习策略(预测噪声),DnCNN隐含地去除了隐含在隐含层中的干净图像。这一特性促使我们训练一个单一的DnCNN模型来处理几种常见的图像去噪任务,如高斯去噪、单图像超分辨率和JPEG图像去块。
二. Introduction
- 在过去的几十年中,已经利用各种模型来对图像先验进行建模
- 尽管图像去噪质量很高,但大多数基于图像先验的方法通常存在两个主要缺陷。首先,这些方法通常在测试阶段涉及一个复杂的优化问题,使得去噪过程耗时。因此,大多数基于先验的方法很难在不牺牲计算效率的情况下获得高性能。其次,模型一般是非凸的,涉及几个人工选择的参数,这为提高去噪性能提供了一些回旋余地。
- 与直接输出去噪图像x不同,所提出的DnCNN被设计用于预测残差图像v,即噪声观测和潜在清洁图像之间的差值。换言之,提出的DnCNN隐含地去除了隐藏层中的操作,从而去除了潜在的干净图像
- 我们可以训练一个单一的DnCNN模型进行高斯去噪,并且比针对特定噪声水平训练的竞争方法获得更好的性能。
三. THE PROPOSED DENOISING CNN MODEL
(RL指定是残差学习噪声)
四. Conclusion
- 采用残差学习的方法来分离噪声
- 与传统的针对特定噪声水平训练特定模型的判别模型不同,我们的DnCNN模型具有处理未知噪声水平的盲高斯去噪的能力,训练时的数据就是混合噪声的数据
- 总结本文的特点就是,残差学习噪声和batchnorm的结合效果好
本文来自博客园,作者:SXQ-BLOG,转载请注明原文链接:https://www.cnblogs.com/sxq-blog/p/16696375.html