目录
前言
Deep Boosting for Image Denoising是ECCV2018年的文章,由于小菜我主要接触的是关于Low-Level Computer Vision,所以在ECCV2018论文集中看到了这一篇文章。
这篇文章由于利用了Boosting方法,是可以基于一个比较成熟的网络上做进一步的Boosting迭代去进一步的优化网络的效果的方法,所以在论文的Introduction中介绍了目前图像图像去噪的两种方式:
- 基于图像的相关性(内部)实现去噪的方法 比如BM3D、CSF和WNNM等等
- 基于外部样本学习的方法 比如DNCNN、LRNN等等
所以基于以上较为成熟的可以进一步的提高PSNR等。论文中提出的几个不错的点可以描述为:
- DenseNet 用于克服梯度消失的问题
- 一种路径扩展融合的方法、与扩展卷积相结合后将轻量级但高效的卷积神经网络作为增强单元DDFN
- Boosting迭代去训练的方法进一步增强网络效果
文章思路(公式描述)
首先定义网络输入图 y = x(clean image) + v(additive noise)(1)表示为网络输入图是一个遵循实数域下的原始图像添加一个加性正太分布的高斯噪声。然后经过 =S(y)=S(x+v) (2)很好理解 一个含噪图像经过去噪网络S后肯定去除了一定的噪声 当然也会损失一定的原图的信息所以我们定义u = - x = (3) 这里定义为剩余的噪声,也就是含噪图像y中的噪声v经过去噪网络后在