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