用于图像去噪的多级小波残差网络渐进式训练
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
摘要
近年来，深度卷积神经网络（CNNs）在图像去噪中取得了巨大成功。尽管更深的网络和更大的模型容量通常有益于性能，训练非常深的图像去噪网络仍是一个具有挑战性的实际问题。以多级小波 CNN（MWCNN）为例，我们通过实验发现，无论增加小波分解级数还是增加每一级内的卷积层，去噪性能均无法显著提升。为应对此问题，本文提出一种多级小波残差网络（MWRN）架构以及一种渐进式训练（PTMWRN）方案以改进图像去噪性能。与 MWCNN 不同，我们的 MWRN 在每一级离散小波变换（DWT）之后和逆离散小波变换（IDWT）之前引入若干残差块。为缓解训练难度，通过对 MWRN 每一级施加尺度特定损失，要求中间输出逼近对应干净真值图像的小波子带。为确保尺度特定损失的有效性，我们还将含噪图像的小波子带作为编码器每一级的输入。此外，采用渐进式训练方案，从训练 MWRN 最低级开始并逐步训练上级，从而为去噪结果带来更多精细细节，以更好地学习 MWRN。在合成与真实世界含噪图像上的实验表明，我们的 PT-MWRN 在定量指标与视觉质量方面均优于当前最先进的去噪方法。
引用
@article{arxiv.2010.12422,
title = {Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising},
author = {Yali Peng and Yue Cao and Shigang Liu and Jian Yang and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2010.12422},
year = {2020}
}
备注
13 pages, 7 figures code: https://github.com/happycaoyue/PT-MWRN