Real Image Denoising Based on Multi-Scale Residual Dense Block and Cascaded U-Net with Block-Connection
一、论文
摘要:受益于最近的真实图像数据集,基于学习的方法在真实图像降噪方面取得了良好的性能。 为了进一步提高Bayer原始数据去噪的性能,本文介绍了两个新网络,即多尺度残差密集网络(MRDN)和带块连接的多尺度残差级联U-Net(MCU-Net)。 这两个网络都基于新设计的多尺度残差密集块(MRDB),MCU-Net使用MRDB连接U-Net的编码器和解码器。 为了更好地利用图像的多尺度特征,MRDB基于残差密集块(RDB)添加了无空间金字塔金字塔池(ASPP)的另一个分支。 与跳过连接相比,使用MRDB的块连接可以自适应地转换编码器的特征,并将其传递给U-Net的解码器。 另外,引入了一种新颖的噪声置换算法来避免模型过度拟合。 这些新网络在消除拜耳图像中的噪声方面的卓越性能已通过SIDD基准上的比较结果得到了证明,并且在“ NTIRE 2020真实图像去噪挑战-Track1:rawRGB”中,SSIM排名第一。
二、网络结构
对于深度学习,已在此研究主题中提出并测试了许多架构和技术[17] [26]。 大多数最新的真实图像去噪网络可以分为两种结构:残差结构和编码器-解码器结构。 残差结构主要通过在输入特征上处理不同的神经块来利用空间特征,而编解码器结构主要集中在不同尺度上的处理特征。 诸如DnCNN [9],IrCNN [22]和RIDNet [23]之类的残差类型方法[19] [21]专注于学习真实图像和噪声图像之间的差异。 编码器-解码器结构可以进一步分为三种类型:U-