《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》学习笔记

阳光穿透心脏的1/2处 2022-05-28 01:51 230阅读 0赞

**自己学习这篇论文后随手记下来的东西，仅代表个人的理解，理解不对的地方，欢迎各位指出！**

去噪：Y = x+v    v是带标准差σ的AWGN，x是一个干净的图像，y是带噪声的观察对象。

加性高斯白噪声（AWGN）：是最基本的噪声与干扰模型服从高斯分布。

PSNR：峰值信噪比，衡量图像失真或是噪声水平的客观标准。两个图像之间PSNR值越大，越相似。PSNR越大，去噪效果越好。普遍基准为30dB，30以下的图像劣化较为明显。

**传统方法**：训练一个能够在确定的噪声level上**加性高斯白噪声（AWGN）的模型**。

为图像先验知识建模的模型：**NSS**（非局部自相似性模型）、稀疏模型、梯度模型、马尔科夫随机场模型（MRF）。

NSS包括：BM3D、LSSC、NCSR、WNNM。

缺点：一、在测试阶段涉及复杂的优化问题，耗时。

二、模型一般是非凸的，涉及几个人工选择的参数。

**本文方法**：能对未知的噪声level高斯去噪，一个model能解决几种普遍的图像去噪任务，如高斯去噪、图像超分辨率、JPEG图像的块效应。

model：前馈降噪卷积神经网络（DnCNNs）。

训练过程加速和提高性能：残差学习、批处理归一化。

DnCNN的好处：

1. 提出一个端到端的CNN，这个网络利用残差学习从带噪声的图像中移出干净图像。

2. 残差学习和批处理对CNN有益，能加速和提高去噪性能。

3. DnCNN可以处理普通的图像去噪任务，也叫盲去噪。

Model设计：修改VGG，修改了网络的深度，包括：CONV滤波器的大小改为3\*3，去掉所有的池化层。对于特定噪声level的高斯去噪，depth=17，普通去噪任务，depth=20。

Depth越大，感受野越大，可以更好的利用大的图像区域上的上下文信息。

去噪过程：用残差学习公式训练一个残差映射R(y)≈v，然后x=y-R(y)。

网络结构：第一层：Conv+ReLU(64个3\*3\*c的filters)

中间D-2层：Conv+BN+ReLU(64个3\*3\*64的filters)

最后一层：Conv(c个3\*3\*64的filters)

test数据集：BSD68(从Berkeley segmentation dataset中选68张图像)和其他12张图像。

噪声来源：从正态分布中输出随机值，也就是高斯噪声。

Input：在原始灰度图像加了随机噪声后的灰度图像。

Output：残差映射R(y)

Depth=17

去噪后的图像=Input-output

计算denoised图像与原始图像的loss函数，更新权重参数。

计算denoised图像与原始图像的PSNR。

训练数据封装在img\_clean\_pats.npy中。

Test：

Input：原始图像

Input：去噪后的图像和带噪声的图像

Output：带噪声的图像\-

发表评论取消回复

表情：

评论列表（有 0 条评论，230人围观）

还没有评论，来说两句吧...

相关阅读

相关 ResNet-Deep Residual Learning for Image Recognition翻译

![1598479-20190917155126007-340672436.png][] 转载于:https://www.cnblogs.com/yunshangyue

刺骨的言语ヽ痛彻心扉/ 2023年08月17日 16:05/ 0 赞/ 204 阅读

相关深度学习论文翻译--Deep Residual Learning for Image Recognition

本文翻译论文为深度学习经典模型之一：ResNet 论文链接：https://arxiv.org/pdf/1512.03385.pdf 摘要：深度神经网络很难训练，为了解决这

朱雀/ 2023年05月29日 06:23/ 0 赞/ 314 阅读

相关 Deep Residual Learning for Image Recognition （ResNet）论文详细解读

目录前言 1. 设计理念 2. 核心细节 3. 网络架构 4. 实验 4.1 ImageNet 分类 4.2 C

太过爱你忘了你带给我的痛/ 2023年01月24日 04:29/ 0 赞/ 42 阅读

相关 ResNet:Deep Residual Learning for Image Recognition

ResNet:Deep Residual Learning for Image Recognition 文章目录 ResNet:Dee

Bertha 。/ 2023年01月23日 13:54/ 0 赞/ 111 阅读

相关《Deep Residual Learning for Image Recognition》ResNet论文翻译

《Deep Residual Learning for Image Recognition》作者：Kaiming He，Xiangyu Zhang，Shaoqing R

秒速五厘米/ 2023年01月11日 01:23/ 0 赞/ 248 阅读

相关论文阅读|ResNet：Deep Residual Learning for Image Recognition

背景： VGG到GoogleNet等网络的演变证明了深度对于神经网络来说是至关重要的，ImageNet数据集挑战上的神经网络的深度也从16演变到了30+，深度的提升给网络带

比眉伴天荒/ 2022年12月26日 14:27/ 0 赞/ 240 阅读

相关【ResNet】Deep Residual Learning for Image Recognition (2015) 全文翻译

作者 Kaiming He，Xiangyu Zhang，Shaoqing Ren，Jian Sun （Microsoft Research \{kahe, v-xia

我就是我/ 2022年11月25日 10:11/ 0 赞/ 339 阅读

相关《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》学习笔记

自己学习这篇论文后随手记下来的东西，仅代表个人的理解，理解不对的地方，欢迎各位指出！去噪：Y = x+v v是带标准差σ的AWGN，x是一个干净的图像，y是带噪声的观

阳光穿透心脏的1/2处/ 2022年05月28日 01:51/ 0 赞/ 231 阅读

相关《ResNet-Deep Residual Learning for Image Recognition》论文笔记

1. 论文思想文章指出在识别和分类问题中将深度学习网络加深可以显著提升网络的精度，这也是最能够直观理解的，因为网络越深，后面对原始信息的表达更抽象和涵盖，因而更容易区分

秒速五厘米/ 2022年05月15日 08:45/ 0 赞/ 351 阅读

相关 A High-Quality Denoising Dataset for Smartphone Cameras 阅读笔记

该论文提出了一种制作真实噪声图像对应的ground truth的方法，并基于该方法提出了一个高质量智能手机去噪数据集。目前智能手机图像去噪是一个活跃的研究领域，但是目前该领

浅浅的花香味﹌/ 2022年03月15日 13:42/ 0 赞/ 394 阅读