Image Denoising via CNNs: An Adversarial Approach

传统的图像去噪算法大多需要知道噪声的先验知识,如高斯滤波通常对高斯噪声有效,而中值滤波通常对椒盐噪声有效等.文献提出了使用卷积神经网络的图像盲去噪模型,不需要先验信息,输入为单幅含噪图像,输出为清晰图像,模型结构图如下:

模型结构包括两部分:

(1)多尺度特征提取:

使用多个不同大小的卷积核获取图像特征,以去除噪声的影响,并将所有的特征串联.每个卷积核层的output channels分别为:32,40,48,56 和 64.

(2)使用多个卷积层重建图像,而没有任何spatial resolution.

训练过程

训练过程包括以下三部分:

(1)Clean-to-clean reconstruction

输入图像为清晰图像,输出图像为清晰图像,目的是使得模型能够学习重构图像的特征,这样使得模型能构重构输入图像.但是为了阻止模型仅仅学习到输出自身图像的函数,在多尺度特征提取层后,设置一个很大的学习率,dropout=0.7.由于本层的任务是训练多尺度特征层以提取图像特征,因此将figure1的skip connection 短路,使得中间的​,