通过学习方法像素分布先验的宽推理网络用于图像去噪
计算机视觉与模式识别
2018-06-05 v5
摘要
我们探索了一种利用卷积神经网络（CNN）从噪声图像中学习相似像素分布特征的图像去噪创新策略。许多类型的图像噪声遵循某种共同的像素分布，例如加性白高斯噪声（AWGN）。通过增加CNN的宽度（更大的感受野和每层更多通道），CNN能够展现出提取更准确像素分布特征的能力。我们方法的关键在于发现具有更多卷积的更宽CNN倾向于学习相似的像素分布特征，这揭示了一种有效解决底层视觉问题的新策略，即推理映射主要依赖于噪声属性背后的先验，而不是具有更多堆叠非线性层的更深CNN。我们在AWGN上评估了我们的工作——宽推理网络（WIN），并证明通过从图像中学习像素分布特征，基于WIN的网络在定量和视觉评估中始终比当前最先进的基于深度CNN的方法取得显著更好的性能。代码和模型可在 \url{https://github.com/cswin/WIN} 获取。
引用
@article{arxiv.1707.05414,
title = {Wide Inference Network for Image Denoising via Learning Pixel-distribution Prior},
author = {Peng Liu and Ruogu Fang},
journal= {arXiv preprint arXiv:1707.05414},
year = {2018}
}
备注
There is a code issue that makes our work may be regarded as entirely out the way of the correct research direction. Therefore, we add the correction into abstract to answer the questions being often asked. Besides. we hope the most talent you may try to think about how to map the particular matrix to generative ones. Then, you may have a significant innovation published