本文介绍了《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》论文的理解，探讨了使用残差学习的深度卷积神经网络（DnCNN）进行图像去噪的方法。传统方法如AWGN模型和非局部自相似性模型在处理噪声时存在耗时和参数选择问题，而DnCNN通过端到端学习和批量归一化提升了性能。网络结构包含多个卷积层，并且深度对去噪效果有影响。实验在BSD68数据集上进行，通过计算PSNR评估去噪效果。
自己学习这篇论文后随手记下来的东西，仅代表个人的理解，理解不对的地方，欢迎各位指出！
去噪：Y = x+v v是带标准差σ的AWGN，x是一个干净的图像，y是带噪声的观察对象。
加性高斯白噪声（AWGN）：是最基本的噪声与干扰模型服从高斯分布。
PSNR：峰值信噪比，衡量图像失真或是噪声水平的客观标准。两个图像之间PSNR值越大，越相似。PSNR越大，去噪效果越好。普遍基准为30dB，30以下的图像劣化较为明显。
传统方法：训练一个能够在确定的噪声level上加性高斯白噪声（AWGN）的模型。
为图像先验知识建模的模型：NSS（非局部自相似性模型）、稀疏模型、梯度模型、马尔科夫随机场模型（MRF）。
NSS包括：BM3D、LSSC、NCSR、WNNM。
缺点：一、在测试阶段涉及复杂的优化问题，耗时。
二、模型一般是非凸的，涉及几个人工选择的参数。
本文方法：能对未知的噪声level高斯去噪，一个model能解决几种普遍的图像去噪任务，如高斯去噪、图像超分辨率、JPEG图像的块效应。
model：前馈降噪卷积神经网络（DnCNNs）。
训练过程加速和提高性能：残差学习、批处理归一化。
DnCNN的好处：
1. 提出一个端到端的CNN，这个网络利用残差学习从带噪声的图像中移出干净图像。
2. 残差学习和批处理对CNN有益，能加速和提高去噪性能。
3. DnCNN可以处理普通的图像去噪任务，也叫盲去噪。
Model设计：修改VGG，修改了网络的深度，包括：CONV滤波器的大小改为3*3，去掉所有的池化层。对于特定噪声level的高斯去噪，depth=17，普通去噪任务，depth=20。
Depth越大，感受野越大，可以更好的利用大的图像区域上的上下文信息。
去噪过程：用残差学习公式训练一个残差映射R(y)≈v，然后x=y-R(y)。
网络结构：第一层：Conv+ReLU(64个3*3*c的filters)
中间D-2层：Conv+BN+ReLU(64个3*3*64的filters)
最后一层：Conv(c个3*3*64的filters)
test数据集：BSD68(从Berkeley segmentation dataset中选68张图像)和其他12张图像。
噪声来源：从正态分布中输出随机值，也就是高斯噪声。
Input：在原始灰度图像加了随机噪声后的灰度图像。
Output：残差映射R(y)
Depth=17
去噪后的图像=Input-output
计算denoised图像与原始图像的loss函数，更新权重参数。
计算denoised图像与原始图像的PSNR。
训练数据封装在img_clean_pats.npy中。
Test：
Input：原始图像
Input：去噪后的图像和带噪声的图像
Output：带噪声的图像-
377
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
