OpenDenoising：用于构建图像去噪器对比研究的可扩展基准
图像与视频处理
2020-04-29 v1 计算机视觉与模式识别
摘要
由于机器学习，图像去噪近来取得了飞跃。然而，基于专家与基于学习的图像去噪器大多在良好生成的噪声（通常为高斯）而非真实生活噪声上测试，使得真实条件下性能比较困难。对于性能依赖于训练数据的基于学习的去噪器尤其如此。因此，针对特定去噪问题选择使用何种方法十分困难。本文提出对现有去噪器的对比研究，以及一个可复现并扩展该研究的可扩展开放工具。当针对真实世界图像截获噪声训练时，MWCNN 被显示为优于其他方法，且额外是测试方法中计算需求第二低的。为评估结论的鲁棒性，比较了三个测试集。在噪声类型间的方法排序上仅获得 60% 的 Kendall's Tau 相关性，表明了基准工具的必要性。
引用
@article{arxiv.1910.08328,
title = {OpenDenoising: an Extensible Benchmark for Building Comparative Studies of Image Denoisers},
author = {Florian Lemarchand and Eduardo Fernandes Montesuma and Maxime Pelcat and Erwan Nogues},
journal= {arXiv preprint arXiv:1910.08328},
year = {2020}
}