残差变换融合网络用于盐粒噪声图像去噪
计算机视觉与模式识别
2025-02-14 v1 机器学习
摘要
卷积神经网络 (CNN) 在非结构化数据集中得到广泛应用，其中之一是图像去噪。图像去噪旨在通过多种策略减少噪声图像中产生的额外噪声。图像去噪方法面临一个问题，即某些方法需要关于噪声的先验信息。为克服这一问题，本文采用卷积视觉变换器 (CvT) 和残差网络 (ResNet) 的组合架构，称为残差变换融合网络 (Residual Transformer Fusion Network, RTF-Net)。该架构通常可分为两个部分：噪声抑制网络 (NSN) 和结构增强网络 (SEN)。在噪声抑制网络中采用残差块，用于学习图像中的噪声图；在结构增强网络中采用 CvT，用于学习需要添加到经噪声抑制网络处理后的图像中的细节。模型使用 DIV2K 训练集进行训练，DIV2K 验证集进行验证。训练后，使用 Lena、Bridge、Pepper 和 BSD300 图像进行测试，噪声水平分别为 30%、50% 和 70%，并与 DBA、NASNLM、PARIGI、NLSF、NLSF-MLP 和 NLSF-CNN 方法进行 PSNR 结果比较。测试结果表明，在除 30% 噪声水平下 Pepper 图像外的所有情况下，本文方法均优于上述方法，其中 NLSF-CNN 在该情况下 PSNR 为 32.99 dB，而本文方法为 31.70 dB。
引用
@article{arxiv.2502.09000,
title = {Residual Transformer Fusion Network for Salt and Pepper Image Denoising},
author = {Bintang Pradana Erlangga Putra and Heri Prasetyo and Esti Suryani},
journal= {arXiv preprint arXiv:2502.09000},
year = {2025}
}
备注
8 pages, 17 figures