DN-ResNet：高效深度残差网络用于图像去噪
图像与视频处理
2019-04-12 v1 计算机视觉与模式识别
摘要
考虑了一种在噪声统计不完全已知情况下对图像进行盲去噪的深度学习方法。我们提出 DN-ResNet，这是一个由若干残差块（ResBlocks）组成的深度卷积神经网络（CNN）。通过级联训练，DN-ResNet 比当前最先进的去噪网络更准确且计算效率更高。在训练 DN-ResNet 时进一步利用边缘感知损失函数，使得去噪结果相比传统损失函数具有更好的感知质量。接下来，我们引入深度可分离 DN-ResNet（DS-DN-ResNet），利用所提出的深度可分离残差块（DS-ResBlock）替代标准 ResBlock，其计算代价大幅降低。DS-DN-ResNet 通过逐阶段将 DN-ResNet 中的 ResBlocks 替换为 DS-ResBlocks 而增量演化。由此，高精度与良好计算效率得以同时实现。先前最先进的深度学习方法聚焦于对高斯或泊松污染图像去噪，我们还考虑了去噪具有更实用的泊松加性高斯噪声的图像。结果表明，在泊松、高斯或泊松-高斯噪声污染的盲与非盲图像去噪中，DN-ResNets 比当前最先进的深度学习方法以及 BM3D 算法的流行变体更高效、鲁棒且去噪性能更好。我们的网络在其他图像增强任务（如压缩图像复原）中也表现良好。
引用
@article{arxiv.1810.06766,
title = {DN-ResNet: Efficient Deep Residual Network for Image Denoising},
author = {Haoyu Ren and Mostafa El-Khamy and Jungwon Lee},
journal= {arXiv preprint arXiv:1810.06766},
year = {2019}
}