图像去噪声利用残差网络

Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising.

---

前言

本文章是基于上述论文链接的总结及其笔记

---

一、深度残差网络

随着网络深度增加,会出现一种退化问题,也就是当网络变得越来越深的时候,训练的准确率会趋于平缓,但是训练误差会变大,这明显不是过拟合造成的,因为过拟合是指网络的训练误差会不断变小,但是测试误差会变大。为了解决这种退化现象,ResNet被提出。我们不再用多个堆叠的层直接拟合期望的特征映射,而是显式的用它们拟合一个残差映射。假设期望的特征映射为H(x),那么堆叠的非线性层拟合的是另一个映射,也就是F(x)=H(x)-x。假设最优化残差映射比最优化期望的映射更容易,也就是F(x)=H(x)-x比F(x)=H(x)更容易优化,则极端情况下,期望的映射要拟合的是恒等映射，此时残差网络的任务是拟合F(x)=0,普通网络要拟合的是F(x)=x,明显前者更容易优化。

二、为什么引入深度残差网络及作用

1.拥有更加稳定的结构且能提高计算速度

2.提高去噪性能

图像去噪是低层次视觉领域的经典研究课题，在许多实际应用中是必不可少的一步。图像去噪的目的是根据图像退化模型y = x + v从噪声观测y中恢复干净的图像x。不同以往本论文将提出的卷积神经去噪网络称为 DnCNN。DnCNN 不直接输出去噪后的图像 ˆx，而是预测残差图像 ˆn，即噪声图像与对应清晰图像的差。也就是说，DnCNN 通过隐层操作隐式地去除对应的清晰图像。为了稳定和提高 DnCNN 的训练性能，进一步引入了批归一化技术。

此为提出的残差网络模型，利用卷积提取特征从而得到残差图。再利用公式得到的处理从而修复图像根据以上说明，可以看出提出的深度去噪网络相比于传统的 CNN 具有两个不同之处。首先，网络引入了残差学习的策略用于学习 R(y)；给定输入
y = x + n，传统的判别学习方法例如 MLP、CSF
的目标是学习一个映射函数 F(y) = x 用来预测清晰图像，对于提出的深度去噪网络，本文采用残差学习策略训练一个残差映射函数 R(y) ≈ n，然后根据 x = y − R(y) 得到最终的清晰
图像。

三、利用残差网络处理超分辨率图片

本论文发现当残差 n 为清晰图像与经过双三次插值放大得到的低分辨率图像时，图像超分辨率的退化模型转换为去噪问题。类似地，对于 JPEG 图像复原问题，将 n作为原始图像和压缩图像之间的差值可以建模成图像去噪问题。从这个意义上说，尽管图像超分辨率和 JPEG 图像复原所含有的 “噪声” 并不服从图像去噪的假设，图像超分辨率和 JPEG 图像复原可以看作是一种广义的图像去噪。

---

总结

论文提出的利用残差网络来得到残差图像从处理图像，而不是直接处理处理图像，这样既提高了去噪的速度也使得去噪效果提升