当基于 AWGN 的去噪器遇见真实噪声
计算机视觉与模式识别
2019-11-20 v2
摘要
基于判别学习的图像去噪器在加性白高斯噪声（Additive White Gaussian Noise, AWGN）等合成噪声上已取得有前景的性能。以往大多数工作采用的合成噪声是像素独立的，但真实噪声大多是空间/通道相关且空间/通道变化的。这一域差距导致若模型仅以 AWGN 训练，则在带有真实噪声的图像上性能不尽如人意。本文中，我们提出一种新方法来提升仅以 AWGN 主导的合成像素独立噪声数据训练的真实图像去噪器的性能。首先，我们训练一个由噪声估计器与去噪器组成的深度模型，使用混合的 AWGN 与随机值脉冲噪声（Random Value Impulse Noise, RVIN）。我们随后研究像素混洗下采样（Pixel-shuffle Down-sampling, PD）策略，使训练好的模型适配真实噪声。大量实验证明了所提方法的有效性与泛化能力。值得注意的是，在 DND 基准中，我们的方法在以合成噪声训练的模型中，于真实 sRGB 图像上达到了最先进（state-of-the-art）性能。代码见 https://github.com/yzhouas/PD-Denoising-pytorch。
引用
@article{arxiv.1904.03485,
title = {When AWGN-based Denoiser Meets Real Noises},
author = {Yuqian Zhou and Jianbo Jiao and Haibin Huang and Yang Wang and Jue Wang and Honghui Shi and Thomas Huang},
journal= {arXiv preprint arXiv:1904.03485},
year = {2019}
}
备注
Accepted by AAAI 2020