點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

代碼鏈接：https://www.github.com/JWSoh/DUBD

圖像去噪是許多圖像處理和計(jì)算機(jī)視覺任務(wù)的重要組成部分，因?yàn)樵趫D像采集過程中不可避免的會(huì)產(chǎn)生噪聲。傳統(tǒng)上，許多研究人員在基于圖像屬性和統(tǒng)計(jì)的貝葉斯視角下研究圖像先驗(yàn)去噪。近年來，深度卷積神經(jīng)網(wǎng)絡(luò)(CNNs)在融合大規(guī)模合成數(shù)據(jù)集的圖像去噪方面取得了巨大的成功。然而，它們都有各自的優(yōu)點(diǎn)和缺點(diǎn)。雖然深度cnn在去除已知統(tǒng)計(jì)量的噪聲方面很強(qiáng)大，但對(duì)于盲目的和現(xiàn)實(shí)世界的噪聲，它們往往缺乏靈活性和實(shí)用性。此外，它們不能輕易地使用顯式先驗(yàn)。另一方面，傳統(tǒng)的非學(xué)習(xí)方法可能涉及顯式的圖像先驗(yàn)，但它們需要大量的計(jì)算時(shí)間，不能利用大規(guī)模的外部數(shù)據(jù)集。在本文中，作者提出了一種基于cnn的方法，它利用了基于貝葉斯視角的兩種方法的優(yōu)點(diǎn)。具體來說，作者將盲圖像去噪問題分解為子問題，分別克服每個(gè)推理問題。由于CNN是一種強(qiáng)大的推理工具，作者的方法植根于CNN，并提出了一種新的網(wǎng)絡(luò)設(shè)計(jì)，以實(shí)現(xiàn)高效的推理。利用作者提出的方法，作者可以成功地去除盲目的和真實(shí)世界的噪聲，與中等數(shù)量的普遍CNN參數(shù)。

在本文中，作者提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的通用盲去噪器，稱為深度通用盲去噪器(DUBD)，它利用了地圖推理的優(yōu)勢(shì)和深度學(xué)習(xí)的力量。DUBD的設(shè)計(jì)是由上述方法的優(yōu)缺點(diǎn)驅(qū)動(dòng)的，如何在不損害網(wǎng)絡(luò)力量的情況下將人類知識(shí)插入深度學(xué)習(xí)框架。特別地，從實(shí)用性來說，所提出的DUBD可以在不知道噪聲級(jí)別的情況下處理大范圍的噪聲級(jí)和空間變化的噪聲。此外，作者的方法可以解決頻譜變化噪聲，在[4]中證明。此外，作者的DUBD優(yōu)于其他方法，包括盲降噪和非盲降噪，同時(shí)需要相當(dāng)數(shù)量的參數(shù)。作者的貢獻(xiàn)可以概括為:

• 作者提出了一種基于cnn的通用盲降噪器，可以處理廣泛的噪聲級(jí)別，包括空間和頻譜變化的噪聲。

• 作者的DUBD可以明確地整合先驗(yàn)知識(shí)，這進(jìn)一步提高了網(wǎng)絡(luò)的性能。

• 作者的DUBD以相當(dāng)數(shù)量的參數(shù)優(yōu)于其他降噪器，這最終帶來了更好的實(shí)用性。

• 與其他方法相比，作者的DUBD可以應(yīng)用于真實(shí)世界的噪聲圖像，也表現(xiàn)出了出色的性能。

條件估計(jì)網(wǎng)絡(luò)(CENet)的網(wǎng)絡(luò)結(jié)構(gòu)。作者對(duì)所有的層都采用3個(gè)3個(gè)卷積層，除了最后一個(gè)通道外通道數(shù)為64個(gè)。作者利用跨步卷積層來減小特征地圖的空間尺寸。在最后階段，作者用雙內(nèi)插的方法將地圖的空間大小恢復(fù)到與輸入圖像相同的大小。

可調(diào)降噪器的網(wǎng)絡(luò)結(jié)構(gòu)。作者采用3 3個(gè)卷積層作為網(wǎng)絡(luò)的主干，包括條件仿射變換塊(CATBlocks)和剩余塊(ResBlocks)。此外，主桿的通道數(shù)為64，條件編碼器采用了11個(gè)卷積層。在條件編碼器中，第一層信道數(shù)為128，其余為64。

在本文中，作者提出了一種通用的盲降噪器，它可以降低來自各種環(huán)境的噪聲，包括在真實(shí)環(huán)境中遇到的噪聲?；诜种蔚乃枷?，作者將原去噪地圖問題分解為兩個(gè)推理子問題，并設(shè)計(jì)新的CNN架構(gòu)作為子問題求解器。具體地，作者引入了一個(gè)輔助隨機(jī)變量來劃分和近似原問題。此外，在輔助隨機(jī)變量的選擇上，作者明確地反映了作者的先驗(yàn)知識(shí)，以擴(kuò)大從大規(guī)模數(shù)據(jù)集學(xué)習(xí)到的隱含先驗(yàn)。通過實(shí)驗(yàn)，作者證明了作者的方法在性能和復(fù)雜度方面是一種有效的方法，并在各種噪聲破壞的情況下，如無方差信息的頻譜和空間變化噪聲，顯示了有希望的結(jié)果。因此，它也能很好地應(yīng)對(duì)現(xiàn)實(shí)世界中的相機(jī)噪聲。

論文鏈接：https://arxiv.org/pdf/2101.07017.pdf

每日?qǐng)?jiān)持論文分享不易，如果喜歡我們的內(nèi)容，希望可以推薦或者轉(zhuǎn)發(fā)給周圍的同學(xué)。

- END?-

個(gè)人微信（如果沒有備注不拉群！）
請(qǐng)注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱



下載1：何愷明頂會(huì)分享

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結(jié)分析

下載2：終身受益的編程指南：Google編程風(fēng)格指南

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：c++，即可下載。歷經(jīng)十年考驗(yàn)，最權(quán)威的編程規(guī)范！


下載3 CVPR2020

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：CVPR2020，即可下載1467篇CVPR?2020論文

覺得不錯(cuò)就點(diǎn)亮在看吧