《Real Image Denoising Based on Multi-Scale Residual Dense Block and Cascaded U-Net》论文阅读

最新推荐文章于 2024-01-31 01:40:14 发布

6个小石头

最新推荐文章于 2024-01-31 01:40:14 发布

阅读量1.2k

点赞数 3

分类专栏：阅读论文

本文链接：https://blog.csdn.net/LiuJiuXiaoShiTou/article/details/107366887

版权

论文提出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），用于真实图像降噪。MRDB块结合了残差密集块和ASPP，以利用多尺度特征，块连接自适应转换特征。还介绍了一种噪声置换算法，避免模型过拟合。在SIDD基准和NTIRE 2020挑战赛中表现出色。

摘要由CSDN通过智能技术生成

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-