基于解析图滤波器与拓扑优化的图神经网络用于图像去噪
图像与视频处理
2020-02-18 v2
摘要
尽管卷积神经网络（CNNs）在广泛的逆成像应用中取得了卓越性能，但其滤波器系数是以纯粹数据驱动的方式计算的，且不可解释。受 Hadji 等人提出的解析推导 CNN 的启发，本文中我们构建了一种新的分层图神经网络（GNN），使用 GraphBio 作为图滤波器。与先前 GNN 中的卷积滤波器不同，我们所采用的 GraphBio 是解析定义的且无需训练，我们仅通过每一层适当图拓扑的学习来优化端到端系统。在信号滤波意义上，这意味着我们每一层的线性图滤波器始终可解释为具有已知双正交条件的低通滤波器，而图频谱本身通过数据训练进行优化。作为一个示例应用，我们展示了当训练与测试数据具有相同统计特性时，我们的解析 GNN 取得了与最先进的基于 CNN 的方案相当的图像去噪性能；而当二者不同时，我们的解析 GNN 在 PSNR 上以超过 1dB 的优势优于该方案。
引用
@article{arxiv.1911.03975,
title = {Graph Neural Net using Analytical Graph Filters and Topology Optimization for Image Denoising},
author = {Weng-tai Su and Gene Cheung and Richard Wildes and Chia-Wen Lin},
journal= {arXiv preprint arXiv:1911.03975},
year = {2020}
}
备注
Image denoising, deep learning, analytical graph filter