2 图像去噪深度学习方法的基本框架
2.1图像去噪的机器学习方法
- 监督学习;
- 无监督学习;
- 半监督学习;
2.2用于图像去噪的神经网络
2.3 用于图像去噪的CNN
-
LeNet使用不同大小的卷积核来提取特征,并在图像分类中获得良好的性能。
-
在LeNet之后,提议的AlexNet[109]是深度学习的里程碑。
- 图形处理单元(GPU)[154]提供了强大的计算能力。
- 随机剪裁(即退出)解决了过度拟合问题。
- ReLU[159]改进了随机梯度下降(SGD)的速度,而不是Sigmoid[22]。
- 数据增强方法进一步解决了过拟合问题。
虽然AlexNet取得了良好的性能,但由于其卷积内核较大,它需要大量的内存使用。这限制了它在现实世界中的应用;
-
为了提高性能和降低计算成本,人们更倾向于采用带有小型过滤器的更深层次的网络架构VGG。
-
GoogLeNet[196]增加了宽度,以提高图像应用程序的性能
虽然VGG和GoogLeNet方法对于图像应用是有效的,但它们有两个缺点
- 如果网络非常深,这可能会导致梯度消失;
- 网络非常广泛,可能会出现过拟合现象
- 为了克服上面问题,2016年提出了ResNet[75]。通过在R