Image denoising using deep CNN with batch renormalization阅读笔记

Image denoising using deep CNN with batch renormalization阅读笔记

Abstract

DCNN的两个缺点：（1）训练更深的CNN去噪任务非常困难；（2）大多数更深层次的CNN存在性能饱和问题。所以本文提出BRDNet，批处理重正则化去噪网络。

具体：通过组合两个网络来增加网络的宽度，从而获得更多的特征。同时还采用空洞卷积提取更多信息用于去噪任务。

1 Introduction

主要贡献：

• 提出了一种新的DCNN图像去噪方法，通过增加宽度而不是深度，以增强去噪网络的学习能力。
• 图像去噪采用批量重整化，Batch renormalization，解决小批量问题。加速收敛。
• BRDNet利用扩张的卷积来扩大感受野，使得网络能够提取更多的上下文信息，降低计算成本。
• 结果鲁棒性好。

2 Related work

2.1 Deep CNNs for image denoising

2.2 Batch renormalization

BN对于小的小批量是无效的，这严重限制了BN的应用

受BRN可以有效解决BN困境的启发，因为BRN使用单个样本而不是整个小批量来近似训练数据的分布。BRN能有效解决小批量和非独立同分布小批量(非i.i.d .小批量)问题。

因此，带有BRN的CNN是图像去噪的好选择。

2.3 Residual learning and dilated convolution

3 Proposed CNN-based denoising method

在网络架构的设计上，我们将两个中枢神经网络串联起来，设计了一个新颖的网络。对于模型学习，我们在设计的网络中集成了BRN、RL和扩张卷积来训练去噪模型。

3.1 Network architecture

不同的架构可以提取不同的特征。

BRDNet，由两个不同的网络组成:上层网络和下层网络。上层网络只由RL和BRN组成。较低的网络包括BRN、RL和扩张的卷积。

其余略……，本文主要学习模型设计