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

 

一、论文

下载：《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》

由于其良好的去噪性能，用于图像去噪的判别模型学习近来受到了广泛的关注。 在本文中，我们通过研究前馈去噪卷积神经网络（DnCNN）的构建向前迈出了一步，以涵盖非常深入的体系结构，学习算法和正则化方法在图像去噪中的进展。 具体而言，利用残差学习和批量归一化来加快训练过程并提高去噪性能。与现有的区别性降噪模型不同，后者通常会在特定噪声水平上训练特定的加性高斯白噪声（AWGN）模型，我们的DnCNN模型能够处理未知噪声水平的高斯去噪（即盲高斯去噪）。 使用残差学习策略，DnCNN会隐式删除隐藏层中的潜在清洁图像。 此属性促使我们训练单个DnCNN模型，以处理多种常规图像去噪任务，例如高斯去噪，单图像超分辨率和JPEG图像解块。 我们广泛的实验表明，我们的DnCNN模型不仅可以在几种常规的图像去噪任务中表现出很高的效率，而且可以受益于GPU计算而得以有效实施。

相关论文，网络结构类似，作者相同：下载《Learning Deep CNN Denoiser Prior for Image Restoration》

基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。 通常，这两种方