卷积与自组织运算神经网络用于真实世界盲图像去噪的对比
计算机视觉与模式识别
2021-05-07 v2 机器学习
多媒体
网络与互联网体系结构
摘要
由于底层噪声分布的不确定性，真实世界盲去噪带来了独特的图像复原挑战。在合成噪声模型上训练的主流判别网络被证明对真实世界噪声图像泛化能力差。虽然整理真实世界噪声图像和改进真值估计流程仍是关注重点，一个潜在的研究方向是探索对广泛使用的卷积神经元模型的扩展，以用更少的数据和更低的网络复杂度实现更好的泛化，而非简单地使用更深的卷积神经网络（CNNs）。运算神经网络（ONNs）及其近期变体自组织 ONNs（Self-ONNs）提出将增强的非线性嵌入神经元模型，并已在多种回归任务中展现出优于 CNNs 的性能。然而，此类比较均基于紧凑网络，将运算层作为当代深度架构中卷积层的直接替代的有效性尚待观察。本工作中，我们首次采用深度 Self-ONN 解决真实世界盲图像去噪问题。跨越多个指标和四个高分辨率真实世界噪声图像数据集、针对最先进深度 CNN 网络 DnCNN 的广泛定量与定性评估表明，深度 Self-ONNs 持续取得更优结果，PSNR 性能提升达 1.76dB。此外，层数仅一半甚至四分之一、仅需 DnCNN 一小部分计算资源的 Self-ONNs 仍可实现与最先进方法相似或更好的结果。
引用
@article{arxiv.2103.03070,
title = {Convolutional versus Self-Organized Operational Neural Networks for Real-World Blind Image Denoising},
author = {Junaid Malik and Serkan Kiranyaz and Mehmet Yamac and Esin Guldogan and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2103.03070},
year = {2021}
}
备注
Submitted for review in IEEE TIP