一、主要目的与贡献
这篇文章主要在传统的去噪神经网络上进行了了改良,提出了新的前馈降噪卷积神经网络(DnCNNs)。
主要的改良方法包括:改用残差学习、加入批量归一化。
效果:提升特定噪声水平的高斯去噪的效果、进一步扩展到一般性的图像去噪任务,即盲高斯去噪、单图像超分辨率、JPEG图像去块。
二、Introduction
批量归一化
与小批量SGD结合使用,在一批图像进入卷积层时,先计算其均值和方差,再进行归一化,然后将归一化后的数据输入卷积层;对于卷积层输出的数据,先通过学习到的输出数据的均值和方差将输出恢复到其原先的分布,再输入激活函数。
参考: 转载-通俗理解BN(Batch Normalization)
三、网络设计
A.网络深度
首先,卷积滤波器大小为3x3,此时深度为d的网络的感受野大小为(2d+1)*(2d+1)。(因为滤波器大小为3x3,所以从最后一层开始的对应的正方形边长为:1、3、5、7…)
为了和补丁大小为36x36的EPLL作比较,选择了和它差不多的感受野,35x35。因此,对应的网络深度即为17((2x17+1)x(2x17+1))。
B.网络架构
网络的输入为y=x+v(噪声观察