超越高斯去噪器：用于图像去噪的深度 CNN 残差学习
计算机视觉与模式识别
2017-06-07 v1
摘要
由于有利的去噪性能，图像去噪的判别模型学习近来引起了相当多的关注。在本文中，我们通过研究前馈去噪卷积神经网络（DnCNNs）的构建向前迈进了一步，将非常深架构、学习算法和正则化方法的进展引入图像去噪。具体而言，利用残差学习和批量归一化来加速训练过程并提升去噪性能。与现有的判别去噪模型通常为特定噪声水平下的加性白高斯噪声（AWGN）训练特定模型不同，我们的 DnCNN 模型能够处理噪声水平未知的高斯去噪（即盲高斯去噪）。借助残差学习策略，DnCNN 在隐藏层中隐式去除了潜在的干净图像。该性质促使我们训练单一的 DnCNN 模型来应对若干通用图像去噪任务，例如高斯去噪、单图像超分辨率和 JPEG 图像去块。我们大量的实验表明，我们的 DnCNN 模型不仅能在若干通用图像去噪任务中展现出高效性，还能通过利用 GPU 计算高效实现。
引用
@article{arxiv.1608.03981,
title = {Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising},
author = {Kai Zhang and Wangmeng Zuo and Yunjin Chen and Deyu Meng and Lei Zhang},
journal= {arXiv preprint arXiv:1608.03981},
year = {2017}
}