Adaptive Consistency Prior based Deep Network for Image Denoising

这是2021cvpr的一篇去噪的文章,讲的是利用神经网络来实现传统模型,把传统算法模型中的一些函数用神经网络代替。

一、模型架构

它提出了一个自适应一致性先验的去噪框架(Adaptive Consistency Prior,ACP),首先给出一致性先验模型:

为了方便讨论将上式改写为:

可以理解这是先将图像x先用线性相似性矩阵W进行滤波,然后拟合偏差(x-Wx)再被I一致约束。

然后他们进行了改进:

1、他们受BM3D启发,认为把图像变换到高维空间更多的特征能更有利于细节恢复,所以先利用函数将x转换到高维空间

2、线性相似性矩阵W可能过于平滑图像细节,所以他们提出利用一个自适应和非线性滤波函数代替W

3、一致性的约束I,可能没有自适应的好,所以他们提出利用可靠性矩阵代替I来约束(x-Wx)

提出了本文的自适应一致性先验(ACP):

 然后利用了泰勒展开近似简化,再加上一个惩罚项

 得到基于ACP的去噪算法:

 然后他们给出一个定理,利用这个定理就可以将(6)简化求解:

 到此为止都是一种传统的去噪算法。

-------------------------------------------------------------

他们觉得这种传统方法的参数啊不好设定,很费事还不一定好,所以他们提出利用神经网络来代替上面模型中的一些函数和操作。

1、对于函数,提出了FD(Feature Domain module)模块

本文中是两层卷积网络,夹着一个激活层,将图像变换到高维

2、对于,提出NLO子网络

采用U型网络,编码-解码

 

3、对于(7)中的,提出了重构模块(reconstruction module)

与FD模块类似,也是几层卷积层

4、对于又提出了DEAM模型

 模型的作用可以看作,输入是两个不同level的图像,输出是两个level图像的加权平均

在这里用到两次DEAM,一个是NLO外面,一个是NLO子网络里面,略有差别,但都是一种加权平均作用。

整个模型框架如下:

 为了让网络结构和训练更加紧凑,最后的模型中上图中红框内容舍去了。

 二、实验

在合成图像上实验:

给图像加入高斯白噪声(AWGN),为了增强数据,把图像随机crop 128*128的patch,旋转180。作者在代码中给出了15,25,50噪声水平下的三个模型,感觉有点针对性,不太好。

在真实噪声图像上:

在SIDD,RENOIR图像数据上训练。

SIDD和DnD数据集上,可以将自己的结果传到他们的官网,然后会给你返回PSNR,SSIM结果。

 

 

 

 

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值