Invertible Denoising Network: A Light Solution for Real Noise Removal

2021 cvpr的一篇去噪文章

与传统CNN相比，可逆网络：更轻便，适合小设备，information-lossless（信息无损失），save memory

论文地址：

CVPR 2021 Open Access Repository

原理：

利用可逆网络把noisy image分成low-resolution（LR）和high-frequency（HF）部分，因为可逆网络是无损的，所以如果LR部分与clean image的LR相同，那么噪声只在HF中存在，HF中就有可用信息和噪声，但是从HF中分离噪声又是很困难的，所以直接把HF舍弃，用代替HF，然后与LR部分一起重构clean image。

怎么让LR部分与clean image的LR部分相同呢，就有了下面的损失函数

y是噪声图像input，x就是clean image，LR就表示他的low-resolution。m范数可以是1或者2范数。X_LR通过双三次变换得到。

这个g其实就是可逆网络，y输入进去就可以得到y的LR部分和HF。既然是重构clean image，就需要一个反向过程backward pass，也就是g的逆，他的input就是y的LR部分和刚才说的代替HF的z_HF,然后他也要与clean image相似才行，也就得到了反向过程的损失函数

M，N都是像素的个数 。利用这两个损失函数来知道训练可逆网络。

网络结构：

 前向过程，第一列是input，最后一列是output，反向过程就反过来，中间部分都是可逆网络g，含有两个Downscale block，每个Down Scale block含有8个Invertible block。

可逆网络利用与CNN不同的特征提取方法，因为带padding的卷积层是不可逆的，在这里用的是可逆离散小波变换，Haar wavelet transformation，增加特征通道，降采样。维度减少一半，变成4倍通道，其中，1/4是low-frequency，3/4是HF特征。

文中还提到了一个Monte Carlo self Ensemble，多次采样，然后对每个z_HF都backward求clean image，最后平均，去噪效果有所提升。

论文代码：

 https://github.com/Yang-Liu1082/InvDN.git