《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》学习笔记 阳光穿透心脏的1/2处 2022-05-28 01:51 142阅读 0赞 **自己学习这篇论文后随手记下来的东西，仅代表个人的理解，理解不对的地方，欢迎各位指出！** 去噪：Y = x+v v是带标准差σ的AWGN，x是一个干净的图像，y是带噪声的观察对象。 加性高斯白噪声（AWGN）：是最基本的噪声与干扰模型服从高斯分布。 PSNR：峰值信噪比，衡量图像失真或是噪声水平的客观标准。两个图像之间PSNR值越大，越相似。PSNR越大，去噪效果越好。普遍基准为30dB，30以下的图像劣化较为明显。 **传统方法**：训练一个能够在确定的噪声level上**加性高斯白噪声（AWGN）的模型**。 为图像先验知识建模的模型：**NSS**（非局部自相似性模型）、稀疏模型、梯度模型、马尔科夫随机场模型（MRF）。 NSS包括：BM3D、LSSC、NCSR、WNNM。 缺点：一、在测试阶段涉及复杂的优化问题，耗时。 二、模型一般是非凸的，涉及几个人工选择的参数。 **本文方法**：能对未知的噪声level高斯去噪，一个model能解决几种普遍的图像去噪任务，如高斯去噪、图像超分辨率、JPEG图像的块效应。 model：前馈降噪卷积神经网络（DnCNNs）。 训练过程加速和提高性能：残差学习、批处理归一化。 DnCNN的好处： 1. 提出一个端到端的CNN，这个网络利用残差学习从带噪声的图像中移出干净图像。 2. 残差学习和批处理对CNN有益，能加速和提高去噪性能。 3. DnCNN可以处理普通的图像去噪任务，也叫盲去噪。 Model设计：修改VGG，修改了网络的深度，包括：CONV滤波器的大小改为3\*3，去掉所有的池化层。对于特定噪声level的高斯去噪，depth=17，普通去噪任务，depth=20。 Depth越大，感受野越大，可以更好的利用大的图像区域上的上下文信息。 去噪过程：用残差学习公式训练一个残差映射R(y)≈v，然后x=y-R(y)。 网络结构：第一层：Conv+ReLU(64个3\*3\*c的filters) 中间D-2层：Conv+BN+ReLU(64个3\*3\*64的filters) 最后一层：Conv(c个3\*3\*64的filters) test数据集：BSD68(从Berkeley segmentation dataset中选68张图像)和其他12张图像。 噪声来源：从正态分布中输出随机值，也就是高斯噪声。 Input：在原始灰度图像加了随机噪声后的灰度图像。 Output：残差映射R(y) Depth=17 去噪后的图像=Input-output 计算denoised图像与原始图像的loss函数，更新权重参数。 计算denoised图像与原始图像的PSNR。 训练数据封装在img\_clean\_pats.npy中。 Test： Input：原始图像 Input：去噪后的图像和带噪声的图像 Output：带噪声的图像\-
还没有评论，来说两句吧...