基于空间与频谱分析增强CNN去噪器
图像与视频处理
2020-06-30 v1 计算机视觉与模式识别
摘要
基于卷积神经网络(CNN)的图像去噪方法因其高速处理能力和良好的视觉质量，近年来被广泛研究。然而，现有大多数基于CNN的去噪器从空间域学习图像先验，并受空间变化噪声问题的困扰，这限制了它们在真实世界图像去噪任务中的性能。本文提出一种离散小波去噪CNN(WDnCNN)，利用单一模型恢复被各种噪声污染的图像。由于自然图像的大部分内容或能量位于低频谱，其在频域的变换系数高度不平衡。为解决此问题，我们提出频带归一化模块(BNM)以归一化来自频谱不同部分的系数。此外，我们采用频带判别训练(BDT)准则来增强模型回归。我们评估了所提出的WDnCNN，并与其他最先进的去噪器进行比较。实验结果表明，WDnCNN在合成与真实噪声去除方面均取得有前景的性能，使其成为许多实际图像去噪应用的潜在解决方案。
引用
@article{arxiv.2006.15517,
title = {Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral Analysis},
author = {Rui Zhao and Kin-Man Lam and Daniel P. K. Lun},
journal= {arXiv preprint arXiv:2006.15517},
year = {2020}
}
备注
ICIP 2019