一种用于图像去噪的交叉Transformer
图像与视频处理
2023-10-17 v1 计算机视觉与模式识别
机器学习
摘要
深度卷积神经网络(CNNs)依赖前馈与反馈方式在图像去噪中取得良好性能。然而,如何通过CNNs获取有效的结构信息以高效表示给定含噪图像,对于复杂场景而言是关键。本文中,我们提出一种交叉Transformer去噪CNN(CTNet),其带有串行块(SB)、并行块(PB)和残差块(RB),以针对复杂场景获取干净图像。SB使用增强残差架构深度搜索结构信息用于图像去噪。为避免关键信息丢失,PB使用三个异构网络实现多级特征的多重交互,广泛搜索额外信息以提升所得去噪器对复杂场景的适应性。此外,为改善去噪性能,Transformer机制被嵌入SB和PB中以提取互补显著特征,基于像素关系有效去除噪声。最后,应用RB获取干净图像。实验表明,我们的CTNet在真实与合成图像去噪方面优于一些流行去噪方法。其适用于移动数字设备,即手机。代码可在 https://github.com/hellloxiaotian/CTNet 获取。
引用
@article{arxiv.2310.10408,
title = {A cross Transformer for image denoising},
author = {Chunwei Tian and Menghua Zheng and Wangmeng Zuo and Shichao Zhang and Yanning Zhang and Chia-Wen Ling},
journal= {arXiv preprint arXiv:2310.10408},
year = {2023}
}