目录
一、引言
首先介绍混合噪声:
x为无噪声图像,y为其对应的观测噪声版本:
n是加性高斯白噪声(AWGN),,v是脉冲噪声(IN)——对像素造成破坏。一般的图像去噪模型只关注前一种噪声。下面介绍一下IN:
假设为图像像素值的变化范围。当一个图像被SPIN损坏时,它的一些像素值是或,当它被RVIN损坏时,它的一些像素值是和之间的随机值。SPIN和RVIN是IN的两种形式。
本文关注三种不同类型的混合噪声:
(1)、AWGN+SPIN (2)、AWGN+RVIN (3)、AWGN+SPIN+RVIN
二、网络及损失
网络结构如下:
要注意的是:生成器的输入不是单纯的噪声,而是带噪声的图片,输出一个去噪的图片。特征提取层的输入是去噪图像和干净图像,比较其相似性。
损失包括四部分:1、对抗损失;2、像素损失;3、特征损失;4、结构相似度损失。
鉴于可能会丢失一些图像细节和模糊图像因此作者引入:
此外,考虑到和不能衡量图像的结构相似度,作者又提出
其中
综上所述总的损失为:
三、主要实验结果
AWGN+SPIN:
AWGN+RVIN:
AWGN+SPIN+RVIN:
最后附tensorflow代码(非官方):DeGAN/DenoiseChannel.ipynb at main · wjayesh/DeGAN (github.com)
pytorch代码(非官方):