dncnn图像去噪_NeuNet2020:BRDNet(开源)使用深度CNN和批量归一化进行图像去噪

最近哈工大的研究团队于2020年在国际著名的人工智能杂志《神经网络》上发表了《利用深度CNN进行批量重正化的图像去噪》。

作者信息

在论文中，作者提出了一种新的图像去噪网络，称为批重归一化去噪网络(BRDNet)，可以解决硬件资源受限条件处理数据分步不均匀的问题。

介绍

图像去噪的目的是从嘈杂的图像中恢复出清晰的图像，这是计算机视觉中的经典逆问题。由于图像去噪技术可以很好地恢复原始图像并恢复细节，因此它们被广泛应用于许多领域，例如遥感图像和医学图像。

对于嘈杂的图像，图像去噪问题可以表示为 ，在哪些是原始图像，并且 表示具有标准偏差的加性高斯噪声(AWGN) 。从贝叶斯规则来看，基于图像优先级的方法是图像去噪的不错选择。

列举下相关去噪算法：

例如块匹配和三维(3D)过滤(BM3D)利用协作变更来增强图像去噪的稀疏性。同时使用基于字典学习的稀疏表示和基于自相似性的非局部手段可以消除噪声图像中的噪声。非局部集中式稀疏表示(NCSR)集中了稀疏编码以抑制稀疏编码噪声。加权核规范最小化(WNNM)，马尔可夫随机场(MRF)，梯度法和总变异(TV)方法等也是非常流行的图像去噪方法。

尽管上述方法在图像去噪方面表现出出色的性能，但是这些方法中的大多数都面临两个主要挑战：

(1)手动调整惩罚参数

(2)复杂的优化算法。由于自适应能力强的学习能力，深度学习技术，尤其是卷积神经网络(CNN)已成为解决这些问题的最受青睐的方法。

在本文中，我们提出了一种新的图像去噪网络，称为批重归一化去噪网络(BRDNet)。

首先，BRDNet结合了两个网络以增加BRDNet的宽度并获得更多的图像去噪功能。

接下来，BRDNet使用批处理重归一化(BRN)解决小型迷你批处理问题，并使用具有跳过连接的残差学习(RL)获得清晰的图像。

最后，为了减少计算成本，使用了扩张卷积(Dilated Conv)来捕获更多特征。

BRDNet方法具有以下贡献：

(1)提出了一种新颖的深度CNN用于图像去噪，它可以直接从噪声图像中获得清晰的图像。与现有的CNN去噪方法不同，所提出的网络增加宽度而不是深度，以增强去噪网络的学习能力。

(2)批量重新归一化用于图像去噪，可以解决小型迷你批量问题。而且，BRN还可以加速网络训练的融合，并且对特定的硬件平台没有任何要求。因此，BRN和CN