面向真实照片的卷积盲去噪
计算机视觉与模式识别
2019-04-22 v2
摘要
尽管深度卷积神经网络 (CNNs) 在加性白高斯噪声 (AWGN) 图像去噪中取得了令人瞩目的成功，其在真实世界含噪照片上的性能仍然有限。主要原因是其学到的模型易于在简化的 AWGN 模型上过拟合，而该模型与复杂的真实世界噪声模型严重偏离。为提升深度 CNN 去噪器的泛化能力，我们建议以更真实的噪声模型和真实世界含噪-干净图像对来训练卷积盲去噪网络 (CBDNet)。一方面，综合考虑信号相关噪声与相机内信号处理流水线以合成真实含噪图像；另一方面，也引入真实世界含噪照片及其近似无噪对应图像来训练我们的 CBDNet。为进一步提供便捷修正去噪结果的交互策略，将一个具有非对称学习以抑制噪声水平低估的噪声估计子网络嵌入 CBDNet。在三个真实世界含噪照片数据集上的大量实验结果，清晰证明了 CBDNet 在量化指标与视觉质量上相对于现有最优方法的优越性能。代码已发布于 https://github.com/GuoShi28/CBDNet。
引用
@article{arxiv.1807.04686,
title = {Toward Convolutional Blind Denoising of Real Photographs},
author = {Shi Guo and Zifei Yan and Kai Zhang and Wangmeng Zuo and Lei Zhang},
journal= {arXiv preprint arXiv:1807.04686},
year = {2019}
}