KRNET：基于核调控网络的图像去噪
图像与视频处理
2019-10-22 v1 计算机视觉与模式识别
机器学习
摘要
图像去噪的一种流行策略是设计一种广义正则化项，能够挖掘数据观测背后的隐式先验。卷积神经网络（CNN）已展现出通过由输入上核（滤波器）组合定义的层堆叠来学习图像先验信息的强大能力。然而，现有基于CNN的方法主要关注合成灰度图像。这些方法在处理多通道彩色图像去噪时仍表现不佳。本文通过开发核调控模块来优化CNN的正则化能力。特别地，我们提出一种称为KR-block的核调控网络块，通过结合大核与小核的优点，可在图像去噪中有效估计特征。我们通过级联多个KR-block构建了一个基于深度CNN的去噪器，称为KRNET。我们在加性白高斯噪声（AWGN）、多通道（MC）噪声和真实噪声上评估KRNET，在各类噪声水平下均取得优于最先进方法的显著性能提升。
引用
@article{arxiv.1910.08867,
title = {KRNET: Image Denoising with Kernel Regulation Network},
author = {Peng Liu and Xiaoxiao Zhou and Junyiyang Li and El Basha Mohammad D and Ruogu Fang},
journal= {arXiv preprint arXiv:1910.08867},
year = {2019}
}