论文笔记：DnCNNs（Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising）

最新推荐文章于 2022-09-13 21:07:38 发布
最新推荐文章于 2022-09-13 21:07:38 发布
阅读量1.7w 收藏 78
点赞数 9
分类专栏： 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/npu15222808378/article/details/80376929
版权

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

最低0.47元/天 解锁文章
不疯魔的菜鸡
关注
专栏目录
【图像去噪】论文复现：新手入门必看！DnCNN的Pytorch源码训练测试全流程解析！为源码做详细注释！补充DnCNN-B和DnCNN-3的模型训练和测试！附各种情况下训练好的模型权重文件！
畅游计算机视觉的海洋
08-12 3000
- 以官方Pytorch源代码为基础，在DnCNN-S的基础上，增添DnCNN-B/CDnCNN-B、DnCNN-3模型训练和测试复现，代码注释非常详细，无论是科研还是应用，新手小白都能看懂，学习阅读毫无压力，去噪入门必备，适用于去噪、超分、JPEG去块任务； - 提供新增后的完整代码和训练好的模型权重文件，模型性能与论文中近似，可不训练直接测试； - 理论和源码结合，进一步加深理解算法原理、明确训练和测试流程 - 更换路径和相关参数即可训练自己的图像数据集
【图像去噪】论文精读：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising（DnCNN）
最新发布
畅游计算机视觉的海洋
08-12 582
论文题目：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising —— 除了高斯去噪器:深度CNN残差学习图像去噪TIP 2017！基于深度学习的图像去噪开山之作！DnCNN！由于其良好的去噪性能，图像去噪的判别模型学习最近引起了相当大的关注。在本文中，我们通过研究前馈去噪卷积神经网络 (DnCNN) 的构建来向前迈出了一步，以将非常深的架构、学习算法和正则化方法的进展纳入图像去噪。
论文阅读01：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
weixin_44492825的博客
11-07 749
论文阅读01 Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 参考文献：1.Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising （主要） 2.Deep Residual Learning ...
【论文笔记】Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
zhwangye的博客
05-28 1078
贡献 提出了一种端到端CNN网络用于高斯去噪网络，称为DnCNN。该网络采用残差学习策略从噪声图片中去除潜在干净图像，而不是用神经网络直接预测干净图像 使用残差学习（residue learning，RL）和批量归一化（batch normalization，BN）加快训练过程，提高去噪性能 可以训练一个单一的DnCNN模型进行盲高斯去噪，也可以很容易地扩展到一般的图像去噪任务，如盲高斯去噪，S...
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
qq_39594939的博客
07-19 2807
超越高斯降噪器：图像降噪的深度卷积神经网络的剩余学习 Abstract—Discriminative model learning for image 摘要—用于图像去噪的辨别模型学习由于它的良好的去噪性能而吸引了大量的注意。 denoising has been recently attracting considerable attentions due to its ...
《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》学习笔记
guanzheng9996的博客
03-27 4392
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...
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising:Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising-matlab开发
05-31
这是论文“Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”的测试演示。 有两种模型，包括高斯去噪的特定/盲模型和高斯去噪的单一模型、单图像超分辨率（SISR）和JPEG图像去块。
《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》阅读笔记
69小石头的博客
05-11 1582
阅读论文整理的笔记，只为了自己复习备用 一、论文 《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》 二、学习资料 DnCNN论文阅读笔记 前馈去噪卷积神经网络 三、模型结构 这个模型比较简单。 四、代码 class DnCNN(nn.Module): def __init__(self, depth=17, n_channels=64, image_c...
高斯白噪声matlab代码-Beyond-a-Gaussian-Denoiser-Residual-Learning-of-Deep-CNN-
05-26
高斯白噪声matlab代码 新的培训和测试代码（）-18/12/2019 培训和测试代码（和） 合并批量归一化（PyTorch） import torch import torch . nn as nn def merge_bn ( model ): ''' merge all 'Conv+BN' (or 'TConv+BN') into 'Conv' (or 'TConv') based on https://github.com/pytorch/pytorch/pull/901 by Kai Zhang (cskaizhang@gmail.com) https://github.com/cszn/DnCNN 01/01/2019 ''' prev_m = None for k , m in list ( model . named_children ()): if ( isinstance ( m , nn . BatchNorm2d ) or isinstance ( m , nn . BatchNorm1d )) and ( isinstance ( prev_m , nn .
原文+代码DnCNN for Image Denoising
03-22
包含《Beyond a Gaussian Denoiser_Residual Learning of Deep CNN for Image Denoising》原文章和原文章作者GitHub主页链接，有详细文章解读和代码~
KerasDnCNN:Keras实现DnCNN-S。 由Zhang等人在《高斯除噪器之外》一文中提出的原创性
05-18
KerasDnCNN Keras实现DnCNN-S。 由Zhang等人在《文中提出的。 此实现仅适用于DnCNN-S（指定的噪声级别）。 功能性 如果已知或估计图像中的噪声水平，则该项目可用于对图像进行降噪。 您只需要在文件conf / myConfig.py中更改scale参数。 该项目对于了解“如何在keras中创建自定义损失，自定义实时数据增强流和自定义学习速率计划程序”也很有用？ ，请检查kDnCNN.py，我很难自己弄清楚。 要求 python 3，keras 2（tf-后端），OpenCV 3被用于开发。 指令 $ python generateData.py # this will create new folder name trainingPatch containg image patches. $ python kDnCNN.py # to train
beyond a gaussian denoiser: residual learning of deep cnn for image denoising
03-16
"Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising" 的意思是“超越高斯去噪器：深度卷积神经网络的残差学习用于图像去噪”。 这是一篇关于图像去噪的论文，作者提出了一种基于深度...
DRCNN：超越高斯去噪:深度CNN图像去噪的残差学习
mytzs123的博客
09-13 3817
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising摘要-基于判别模型学习的图像去噪方法因其良好的去噪性能而备受关注。在本文中，我们通过研究前馈去噪卷积神经网络(DnCNNs)的构造向前迈进了一步，将非常深入的架构、学习算法和正则化方法融入到图像去噪中。具体来说，利用残差学习和批归一化来加速训练过程，提高去噪性能。与现有的判别去噪模型通常在一定噪声水平下训练特定的加性高斯白噪声模型不同，我们的DnCNN模型
【文献阅读与想法笔记14】Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
呆呆象呆呆的博客
08-30 1913
背景与相关工作 传统方法评价 传统方法在测试阶段通常涉及一个复杂的优化问题，使得去噪过程比较耗时，大多数方法在不牺牲计算效率的情况下很难实现高性能。 methods generally involve a complex optimization problem in the testing stage, making the denoising process time-consuming most of the methods can hardly achieve high performance
去噪论文 Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
ydd的博客，记录生活
09-21 1303
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 发表于 IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 26, NO. 7, JULY 2017 Abstract：提出前馈去噪卷积神经网络(DnCNNs)，将超深层次结构、学习算法和正则化方法的进展纳入图像去噪。具体来说，利用残差学习和批量归一化来加速训练过程以及提高去噪性能。与现有的判别去噪模型不同，该模型通常
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值