一、简介
老实说,这篇论文后半部分不太值得细读,大量内容都是讨论实验,写的比较啰嗦。启发性的内容较少,看完后只知道你的模型效果好,但不太知道为什么好。
文章重点:
强调了residual learning(残差学习)和batch normalization(批量标准化)在图像复原中相辅相成的作用,可以在较深的网络的条件下,依然能带来快的收敛和好的性能。
文章提出DnCNN,在高斯去噪问题下,用单模型应对不同程度的高斯噪音;甚至可以用单模型应对高斯去噪、超分辨率、JPEG去锁三个领域的问题。
二、DnCNN网络模型
DnCNN网络结构
网络结构:
第一部分:Conv(3 * 3 * c * 64)+ReLu (c代表图片通道数)
第二部分:Conv(3 * 3 * 64 * 64)+BN(batch normalization)+ReLu
第三部分:Conv(3 * 3 * 64)
每一层都zero padding,使得每一层的输入、输出尺寸保持一致。以此防止产生人工边界(boundary artifacts)。第二部分每一层在卷积与reLU之间都加了批量标准化(batch normalization、BN)。
2.1.残差学习residual learning
DnCNN结合了ResNet的residual learning,关于ResNet的知识总结,见我另一篇文章:https://www.jianshu.com/p/11f1a979b384
不同的是DnCNN并非每隔两层