DeGAN:通过生成对抗网络去除混合噪声

目录

一、引言

二、网络及损失

三、主要实验结果

---

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)：

wahahahaya/DeGAN-noise_distribution (github.com)