一种用于深度去噪小波网络的子带方法及面向感知质量的频率自适应损失
机器学习
2021-02-17 v1 计算机视觉与模式识别
摘要
在本文中，我们对基于神经网络的去噪提出两点贡献。首先，我们提出对离散小波变换（DWT）的每个子带应用独立的卷积层，而非通常将全部子带拼接后应用单一卷积层的 DWT 用法。我们表明，由于在逆 DWT 之前保持子带顺序不被破坏，这种在神经网络中使用 DWT 的方法显著提高了精度。我们的第二个贡献是一种基于频域中前 k% 误差的去噪损失。用该损失训练的神经网络，在每次迭代中自适应地聚焦于其最未能恢复的频率。我们表明，该损失通过提供在频率分量误差方面更平衡的图像，带来了更好的感知质量。
引用
@article{arxiv.2102.07973,
title = {A Sub-band Approach to Deep Denoising Wavelet Networks and a Frequency-adaptive Loss for Perceptual Quality},
author = {Caglar Aytekin and Sakari Alenius and Dmytro Paliy and Juuso Gren},
journal= {arXiv preprint arXiv:2102.07973},
year = {2021}
}