论文阅读：FFDNet：Toward a Fast and Flexible Solution for CNN based Image Denoising

Introduction

FFDNet是Zhang Kai的一篇承前启后之作，从DnCNN到FFDNet再到CBDNet是一个网络的泛化过程，处理的对象从均匀的高斯噪声变成更加复杂的真实噪声。DnCNN利用Batch Normalization和residual learning可以有效地去除均匀高斯噪声，且对一定噪声水平范围的噪声都有抑制作用。然而真实的噪声并不是均匀的高斯噪声，其是信号依赖的，各颜色通道相关的，而且是不均匀的，可能随空间位置变化的。在这种情况下，FFDNet使用噪声估计图作为输入，权衡对均布噪声的抑制和细节的保持，从而应对更加复杂的真实场景。而CBDNet进一步发挥了这种优势，其将噪声水平估计过程也用一个子网络实现，从而使得整个网络可以实现盲去噪。
该网络的特点在于：

1. 将噪声水平估计作为网络的输入，可以应对更加复杂的噪声，如不同噪声水平噪声和空间变化噪声，而且噪声水平估计可以作为权重权衡对噪声的抑制和细节的保持。
2. 将输入图像下采样为多张子图像作为网络输入，输出的子图像再通过上采样得到最终的输出。该操作在保持结果精度的条件下，有效地减少了网络参数，增加感受野，使得网络更有效率。
3. 使用正交矩阵初始化网络参数，从而使得网络训练更有效率。

Network

网络结构

网络参数

损失函数

$$\mathcal{L}(\Theta )=\frac{1}{2N}\sum _{i=1}^N\Vert \mathcal{F}(y_i,M_i;\Theta )-x_i{\Vert }^2$$

Experiment Results

FFDNet与BM3D和DnCNN有相似的噪声水平敏感度的表现。当真实噪声水平未知时，设置比较大的输入噪声水平能更有效地去除噪声，保持更好的视觉效果。

代码地址：github