基于超级神经元的图像去噪：为何要变深？
计算机视觉与模式识别
2021-12-01 v1 机器学习
摘要
经典图像去噪方法利用非局部自相似性原理从含噪图像中有效恢复图像内容。当前最先进的方法使用深度卷积神经网络（CNN）有效学习从含噪图像到干净图像的映射。深度去噪 CNN 展现出极高的学习能力，并由于大量隐藏层级联产生的大感受野而整合了非局部信息。然而，深度网络计算复杂度高且需要大量训练数据。为了解决这些问题，本研究将焦点放在由新型神经元模型赋能的自组织运算神经网络（Self-ONNs）上，该模型能够以紧凑且浅层的模型实现相似或更优的去噪性能。最近，超级神经元的概念被引入，它通过利用非局域化核位置来增强生成神经元的非线性变换，从而扩大感受野尺寸。这是使得深层网络配置变得不再必要的关键成就。鉴于已知非局部信息的整合有益于去噪，在本研究中我们探讨了超级神经元在合成与真实图像去噪中的应用。我们还讨论了在 GPU 上实现超级神经元模型的实际问题，并提出了非局域化操作的异质性与计算复杂度之间的权衡。结果表明，在相同宽度和深度下，带有超级神经元的 Self-ONNs 在两项去噪任务中的去噪性能均显著优于带有生成神经元和卷积神经元的网络。此外，结果表明，分别在合成和真实去噪任务中，带有超级神经元的 Self-ONNs 能够取得比知名深度 CNN 去噪器更具竞争力且更优的合成去噪性能。
引用
@article{arxiv.2111.14948,
title = {Image denoising by Super Neurons: Why go deep?},
author = {Junaid Malik and Serkan Kiranyaz and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2111.14948},
year = {2021}
}