利用更宽的卷积学习像素分布先验以进行图像去噪
计算机视觉与模式识别
2017-07-31 v1
摘要
在这项工作中，我们探索了一种创新的图像去噪策略，利用卷积神经网络（CNN）从含噪数据中学习像素分布。通过增大CNN的宽度，即采用大的感受野和每层更多的通道，CNN能够展现出学习像素分布的能力，这是一种存在于许多不同类型噪声中的先验。我们方法的关键在于发现更宽的CNN倾向于学习像素分布特征，这表明推理映射主要依赖于先验，而不是具有更多堆叠非线性层的更深的CNN。我们在加性高斯白噪声（AWGN）上评估了我们的工作：宽推理网络，并证明通过学习图像中的像素分布，基于WIN的网络在定量和视觉评估上始终比当前最先进的基于深度CNN的方法取得显著更好的性能。代码和模型可在 https://github.com/cswin/WIN 获取。
引用
@article{arxiv.1707.09135,
title = {Learning Pixel-Distribution Prior with Wider Convolution for Image Denoising},
author = {Peng Liu and Ruogu Fang},
journal= {arXiv preprint arXiv:1707.09135},
year = {2017}
}