Toward Convolutional Blind Denoising of Real Photographs
Shi Guo , Zifei Yan , Kai Zhang , Wangmeng Zuo , Lei Zhang
Harbin Institute of Technology, Harbin, 150001, China
Department of Computing, The Hong Kong Polytechnic University, Hong Kong
目前深度卷积神经网络去噪方法
- 大多数存在的盲去噪的方法都包括两步:噪声估计和非盲目去噪。
- 深度卷积神经网络的效果依赖于训练数据,但真实噪声图像和干净图像太少,而合成的噪声图像与真实噪声图像相差太大。
- 真实噪声的特征不能充分地被设计的噪声模型所刻画。
- 非盲目去噪器(BM3D、FFDNet)对低估噪声等级敏感,而对高估噪声等级表现良好。即在噪声估计网络对噪声图像的噪声估计的噪声等级低于实际噪声等级时,去噪效果不好,但当噪声估计网络对噪声图像的噪声估计的噪声的呢估计高于实际噪声等级时去噪效果良好。
论文的方法是如何借鉴和改进前人的方法
- 针对第一点,同样分为两个子网络:噪声估计子网络和非盲目去噪子网络
- 针对第二点和第三点,论文选择同时用合成噪声图像和真实噪声图像交替训练网络 。
- 针对第三点,论文提出了一个更接近真实噪声的模型,既考虑了信号相关的噪声,又考虑了摄像机的处理流水线中的噪声。
- 针对第四点,论文充分利用BM3D对高估计噪声等级表现良好的特性,选择用非对称的方法来学习,即的那个噪声估计网络高估噪声时,给与一个较小的惩罚,而的那个网络低估噪声等级时,给予较大的惩罚。
论文主要贡献
- 图像噪声模型在深度卷积神经网络对真实噪声图像去噪中起到关键的作用。论文提出了一个更接近真实噪声的模型,同时考虑了信号相关的噪声和在摄像机的处理流水线中的噪声。
- 论文提出了一个CBDNet,由噪声估计子网络和非盲目去噪子网络两部分组成。同时使用非对称学习方法。
- 同时采用合成噪声图像和真实噪声图像训练CBDNet。
- 在三个数据集上的实验结果表面论文提出的CBDNet相比于前人的方法有突出的效果。
论文的主要方法
噪声模型
信号依赖的噪声:干净图像x,更真实地噪声模型,
,其中
是信号依赖的噪声,
是静态噪声分量,