基于多尺度残差密集块和块连接级联U-Net的真实图像去噪

目录

一、引言

二、方法

2.1、多尺度剩余密集网络(MRDN)

2.2、MRDB Cascaded U-Net with Block-Connection(MCU-Net)​编辑

2.3、噪声排列

三、实验结果​

---

一、引言

        传统的图像去噪研究主要集中在去除sRGB数据中的噪声，而近些年研究发现在Bayer原始数据中去噪将比在sRGB数据中去噪更有效。因此，本文重点研究了对Bayer图像进行去噪的问题。

二、方法

2.1、多尺度残差密集网络(MRDN)

直接看图即可：

图b中的conv Rate 6和conv Rate 12分别表示扩张率为6和12的3×3扩张卷积(空洞卷积)。

2.2、MRDB Cascaded U-Net with Block-Connection(MCU-Net)

2.3、噪声排列

        数据增强是神经网络避免过拟合问题的一种有效方法。然后由于Bayer数据的特殊属性，图像翻转等传统的数据增强方法在增强后会由于Bayer模式不匹配而导致图像质量不高。为了解决这一问题，本文介绍了一种新的利用来自真实的噪声图像中的真实的噪声的数据排列方法。通过改变真实噪声的空间分布，生成更多具有真实内容和噪声的训练样本：

如图4所示，该方法的第一步是将groundtruth图像与相应的噪声图像相减，生成噪声图像数据。对于噪声数据，噪声聚类过程根据其对应的地真强度值将数据分为N个簇。然后，在每个簇内进行随机排列，交换这些噪声的位置。排列后，生成新的合成噪声图像，并将其加回相应的groundtruth图像，生成新的合成噪声图像。

三、实验结果