基于注意力-残差卷积神经网络的图像去噪
机器学习
2021-01-20 v1
摘要
在图像采集过程中，噪声通常会被加入到数据中，主要由于采集传感器的物理限制，以及数据传输和处理中的不精确性。就此而言，所得图像需要被处理以在不过失细节的情况下衰减其噪声。基于滤波和噪声先验建模等非学习策略已被用于解决图像去噪问题。如今，基于学习的去噪技术被证明是更有效和灵活的方法，例如残差卷积神经网络(Residual Convolutional Neural Networks)。在此，我们提出一种新的基于学习的非盲去噪技术，称为注意力残差卷积神经网络(Attention Residual Convolutional Neural Network, ARCNN)，及其扩展到盲去噪的变体，称为灵活注意力残差卷积神经网络(Flexible Attention Residual Convolutional Neural Network, FARCNN)。所提方法试图利用注意力-残差机制学习潜在的噪声期望。在受不同水平高斯和泊松噪声污染的公用数据集上的实验支持了所提方法相对于一些 SOTA 图像去噪方法的有效性。ARCNN 在高斯和泊松去噪上分别取得了约 0.44dB 和 0.96dB 的总体平均 PSNR 结果；FARCNN 表现出非常一致的结果，尽管性能较 ARCNN 略有下降。
引用
@article{arxiv.2101.07713,
title = {Image Denoising using Attention-Residual Convolutional Neural Networks},
author = {Rafael G. Pires and Daniel F. S. Santos and Marcos C. S. Santana and Claudio F. G. Santos and Joao P. Papa},
journal= {arXiv preprint arXiv:2101.07713},
year = {2021}
}
备注
Published in: 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI)