深度通用盲图像去噪 | 代码已开源
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”
重磅干货，第一时间送达
代码链接：https://www.github.com/JWSoh/DUBD
图像去噪是许多图像处理和计算机视觉任务的重要组成部分，因为在图像采集过程中不可避免的会产生噪声。传统上，许多研究人员在基于图像属性和统计的贝叶斯视角下研究图像先验去噪。近年来，深度卷积神经网络(CNNs)在融合大规模合成数据集的图像去噪方面取得了巨大的成功。然而，它们都有各自的优点和缺点。虽然深度cnn在去除已知统计量的噪声方面很强大，但对于盲目的和现实世界的噪声，它们往往缺乏灵活性和实用性。此外，它们不能轻易地使用显式先验。另一方面，传统的非学习方法可能涉及显式的图像先验，但它们需要大量的计算时间，不能利用大规模的外部数据集。在本文中，作者提出了一种基于cnn的方法，它利用了基于贝叶斯视角的两种方法的优点。具体来说，作者将盲图像去噪问题分解为子问题，分别克服每个推理问题。由于CNN是一种强大的推理工具，作者的方法植根于CNN，并提出了一种新的网络设计，以实现高效的推理。利用作者提出的方法，作者可以成功地去除盲目的和真实世界的噪声，与中等数量的普遍CNN参数。
在本文中，作者提出了一种基于卷积神经网络(CNN)的通用盲去噪器，称为深度通用盲去噪器(DUBD)，它利用了地图推理的优势和深度学习的力量。DUBD的设计是由上述方法的优缺点驱动的，如何在不损害网络力量的情况下将人类知识插入深度学习框架。特别地，从实用性来说，所提出的DUBD可以在不知道噪声级别的情况下处理大范围的噪声级和空间变化的噪声。此外，作者的方法可以解决频谱变化噪声，在[4]中证明。此外，作者的DUBD优于其他方法，包括盲降噪和非盲降噪，同时需要相当数量的参数。作者的贡献可以概括为:
作者提出了一种基于cnn的通用盲降噪器，可以处理广泛的噪声级别，包括空间和频谱变化的噪声。
作者的DUBD可以明确地整合先验知识，这进一步提高了网络的性能。
作者的DUBD以相当数量的参数优于其他降噪器，这最终带来了更好的实用性。
与其他方法相比，作者的DUBD可以应用于真实世界的噪声图像，也表现出了出色的性能。
条件估计网络(CENet)的网络结构。作者对所有的层都采用3个3个卷积层，除了最后一个通道外通道数为64个。作者利用跨步卷积层来减小特征地图的空间尺寸。在最后阶段，作者用双内插的方法将地图的空间大小恢复到与输入图像相同的大小。
可调降噪器的网络结构。作者采用3 3个卷积层作为网络的主干，包括条件仿射变换块(CATBlocks)和剩余块(ResBlocks)。此外，主杆的通道数为64，条件编码器采用了11个卷积层。在条件编码器中，第一层信道数为128，其余为64。
在本文中，作者提出了一种通用的盲降噪器，它可以降低来自各种环境的噪声，包括在真实环境中遇到的噪声。基于分治的思想，作者将原去噪地图问题分解为两个推理子问题，并设计新的CNN架构作为子问题求解器。具体地，作者引入了一个辅助随机变量来划分和近似原问题。此外，在辅助随机变量的选择上，作者明确地反映了作者的先验知识，以扩大从大规模数据集学习到的隐含先验。通过实验，作者证明了作者的方法在性能和复杂度方面是一种有效的方法，并在各种噪声破坏的情况下，如无方差信息的频谱和空间变化噪声，显示了有希望的结果。因此，它也能很好地应对现实世界中的相机噪声。
论文链接：https://arxiv.org/pdf/2101.07017.pdf
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。
- END -
个人微信（如果没有备注不拉群！） 请注明：地区+学校/企业+研究方向+昵称
下载1：何恺明顶会分享
在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析
下载2：终身受益的编程指南：Google编程风格指南
在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！
下载3 CVPR2020 在「AI算法与图像处理」公众号后台回复：CVPR2020，即可下载1467篇CVPR 2020论文
觉得不错就点亮在看吧
