通用去噪网络：一种新颖的 CNN 图像去噪架构
计算机视觉与模式识别
2018-03-28 v2
摘要
我们设计了一种新颖的网络架构，用于学习判别性图像模型，以高效解决灰度与彩色图像去噪问题。基于所提架构，我们引入两种不同变体。第一个网络以卷积层为核心组件，而第二个网络则依赖非局部滤波层，因而能够利用自然图像固有的非局部自相似特性。与现有多数需为各考虑噪声水平训练特定模型的深度网络方法不同，所提模型使用单一组学习参数即可处理宽范围噪声水平，且当退化潜图像的噪声与训练所用噪声统计不匹配时仍具强鲁棒性。后者由我们在公开可用、受未知噪声污染图像上报告并与竞争方法所得解对比的结果所支持。同时，所引入网络在加性白高斯噪声（AWGN）下取得了优异结果，可与当前最优（SOTA）网络相媲美，而其依赖更浅的架构，训练参数数量小一个数量级。这些特性使所提网络成为处理去模糊、去马赛克、超分辨率等一般逆成像问题的复原方法中子求解器的理想候选。
引用
@article{arxiv.1711.07807,
title = {Universal Denoising Networks : A Novel CNN Architecture for Image Denoising},
author = {Stamatios Lefkimmiatis},
journal= {arXiv preprint arXiv:1711.07807},
year = {2018}
}
备注
Camera ready paper to appear in the Proceedings of CVPR 2018