《Designing and Training of A Dual CNN for Image Denoising》阅读笔记

最新推荐文章于 2024-01-14 20:05:48 发布

6个小石头

最新推荐文章于 2024-01-14 20:05:48 发布

阅读量1k

点赞数 1

分类专栏：阅读论文

本文链接：https://blog.csdn.net/LiuJiuXiaoShiTou/article/details/107337293

版权

《Designing and Training of A Dual CNN for Image Denoising》介绍了DudeNet，一个由四个模块组成的图像去噪网络。DudeNet通过双重网络和稀疏机制提取互补特征，结合全局和局部信息，有效恢复复杂噪点图像的细节，同时降低了计算复杂度。在合成和真实噪声图像上进行训练，表现出优越的去噪效果。

摘要由CSDN通过智能技术生成

一、论文

《Designing and Training of A Dual CNN for Image Denoising》

摘要：摘要—用于图像去噪的深度卷积神经网络（CNN）最近吸引了越来越多的研究兴趣。但是，普通网络无法恢复复杂任务的精细细节，例如真实的噪点图像。在本文中，我们提出了双重降噪网络（DudeNet）以恢复干净的图像。具体来说，DudeNet由四个模块组成：特征提取模块，增强模块，压缩模块和重建模块。具有稀疏机制的特征提取模块通过两个子网提取全局和局部特征。增强模块收集并融合了全局和局部功能，以为后者提供补充信息。压缩块优化提取的信息并压缩网络。最后，重建块被用于重建去噪图像。 DudeNet具有以下优点：（1）具有解析机制的双网络可以提取互补特征，以增强去噪器的通用能力。（2）融合全局和局部特征可以提取显着特征，以恢复复杂噪点图像的精细细节。（3）使用小型滤波器来降低去噪器的复杂度。大量的实验证明了DudeNet优于现有的当前最先进的降噪方法。

总结：在本文中，我们提出了一种新颖的DudeNet用于图像去噪。 DudeNet使用双重网络提取各种特征，以增强学习特征的去噪能力。 DudeNet的稀疏机制可以通过提取全局特征和局部特征以融合它们以获得显着特征来恢复复杂的噪点图像的精细细节，从而帮助实现良好的降噪性能，从而提高处理速度。我们还提出使用压缩块来减少冗余信息，从而减少计算成本和内存消耗。大量实验证明DudeNet具有很高的视觉质量和计算效率。将来，我们打算扩展DudeNet，以处理多种低级视