用于图像去噪的双 CNN 的设计与训练
图像与视频处理
2020-07-09 v1 计算机视觉与模式识别
摘要
用于图像去噪的深度卷积神经网络（CNN）近来引起了日益增长的研究兴趣。然而，对于复杂任务（如真实噪声图像），普通网络无法恢复精细细节。本文中，我们提出了一种双去噪网络（DudeNet）来恢复干净图像。具体而言，DudeNet 由四个模块组成：特征提取块、增强块、压缩块和重建块。带有稀疏机制的特征提取块通过两个子网络提取全局与局部特征。增强块收集并融合全局与局部特征，为后续网络提供互补信息。压缩块精炼所提取的信息并压缩网络。最后，利用重建块重建去噪图像。DudeNet 具有以下优势：（1）带有稀疏机制的双重网络可提取互补特征，增强去噪器的泛化能力。（2）融合全局与局部特征可提取显著特征，为复杂噪声图像恢复精细细节。（3）使用小尺寸滤波器降低去噪器复杂度。大量实验证明了 DudeNet 相对于现有当前最先进去噪方法的优越性。
引用
@article{arxiv.2007.03951,
title = {Designing and Training of A Dual CNN for Image Denoising},
author = {Chunwei Tian and Yong Xu and Wangmeng Zuo and Bo Du and Chia-Wen Lin and David Zhang},
journal= {arXiv preprint arXiv:2007.03951},
year = {2020}
}