基于Transformer与真正公平训练的轻量级单图像去噪探索
计算机视觉与模式识别
2023-04-05 v1 人工智能
摘要
由于多媒体内容常含有来自数字设备固有缺陷的噪声，图像去噪是高层视觉识别任务的重要步骤。尽管若干研究已采用先进Transformer发展了去噪领域，这些网络对真实应用而言过于耗费内存。此外，关于轻量级去噪（LWDN）与Transformer的研究匮乏。为此，本工作提供了七种用于LWDN的对比基线Transformer，作为未来研究的基础。我们还展示了随机裁剪块的部分在训练期间显著影响去噪性能。先前研究忽视了这一点，而我们旨在以真正公平的方式训练基线Transformer。进一步，我们对各组件进行实证分析，以确定构建LWDN Transformer的关键考量。代码见 https://github.com/rami0205/LWDN。
引用
@article{arxiv.2304.01805,
title = {Exploration of Lightweight Single Image Denoising with Transformers and Truly Fair Training},
author = {Haram Choi and Cheolwoong Na and Jinseop Kim and Jihoon Yang},
journal= {arXiv preprint arXiv:2304.01805},
year = {2023}
}
备注
Technical report. Will be further revised. Codes are available at https://github.com/rami0205/LWDN