GRDN：用于真实图像去噪的分组残差密集网络及基于 GAN 的真实世界噪声建模
图像与视频处理
2019-05-28 v1 计算机视觉与模式识别
摘要
随着深度学习架构尤其是卷积神经网络的发展，图像去噪研究已取得进展。然而，真实世界图像去噪仍极具挑战，因为无法获得理想配对的真实图像与真实世界含噪图像。由于近期基准数据集的发布，图像去噪领域的关注点正转向真实世界去噪问题。本文提出一种分组残差密集网络（GRDN），它是当前最优的残差密集网络（RDN）的扩展与泛化架构。RDN 的核心定义为分组残差密集块（GRDB），并用作 GRDN 的构建模块。我们通过实验表明，级联 GRDB 可显著提升图像去噪性能。除网络架构设计外，我们还提出了一种基于生成对抗网络的新颖真实世界噪声建模方法。我们在 NTIRE2019 真实图像去噪挑战赛——赛道2：sRGB 中，以峰值信噪比与结构相似性两项指标的最高得分证明了所提方法的优越性。
引用
@article{arxiv.1905.11172,
title = {GRDN:Grouped Residual Dense Network for Real Image Denoising and GAN-based Real-world Noise Modeling},
author = {Dong-Wook Kim and Jae Ryun Chung and Seung-Won Jung},
journal= {arXiv preprint arXiv:1905.11172},
year = {2019}
}
备注
To appear in CVPR 2019 workshop. The winners of the NTIRE2019 Challenge on Image Denoising Challenge: Track 2 sRGB