簡介

（1） 論文（包括期刊和發表時間）：
Real Image Denoising with Feature Attention（ICCV 2019）
（2） 論文鏈接：
https://arxiv.org/pdf/1904.07396.pdf
（3）源代碼鏈接：
https://gitee.com/wangmingMY/RIDNet/tree/master/TestCode/code

主要idea

深度卷積神經網絡在含有空間不變噪聲(合成噪聲)的圖像上表現更好;然而，它們的性能在真實的噪聲照片上存在局限，需要多階段的網絡建模。為了提高去噪算法的實用性，本文提出了一種采用模塊化結構的一階段盲真圖像去噪網絡(RIDNet)。作者利用殘差結構上的殘差來緩解低頻信息的流動，并利用特征注意來挖掘信道的相關性。

• 提出基于CNN的真實圖像去噪方法，采用兩階段模型;提出的第一個模型，提供了最先進的結果，只使用一個階段；
• 該模型是第一個在去噪中加入特征注意的模型；
• 目前大多數模型的是連續連接的;因此，增加深度并不能幫助提高性能。同樣，這樣的網絡也會受到梯度消失的影響。同時提出了一個模塊化網絡，其中增加模塊的數量有助于提高性能；
• 在三個合成圖像數據集和四個真實圖像噪聲數據集上進行了實驗，表明此模型在合成圖像和真實圖像的定量和定性上都達到了最新的水平。

網絡結構-RIDNet：

網絡結構主要包含特征提取、4個EAM組成的殘差模型、重建。
其中EAM的結構：

兩個空洞卷積分支，用來增大感受野（receptive field），然后拼接加上一個卷積融合

兩個類似殘差學習結構，用來進行特征提取

通道注意力機制：

損失函數-MAE：
$$L(W)=\frac{1}{N}\sum _{i=1}^N||RIDNet(x_i)?y_i|{|}_1,$$
其中：$W$表示一組學習的所有網絡參數，$N$代表已經給出$n$個訓練樣本對，$RIDNet$是文中作者使用的網絡，$x$代表噪音輸入，$y$代表真實輸入。

實驗簡介

1.數據集：四個嘈雜的現實世界數據集和合成噪聲數據集
（1）RNI15：提供15張真實的嘈雜圖像。 不幸的是，沒有為此提供干凈的圖像
數據集。因此，只有定性比較此數據集并呈現。
（2）DND：包含11個靜態場景和通過以下方法獲得的相應無噪聲圖像：同一場景的500張嘈雜圖像。該數據集尺寸是巨大的；因此，作者裁剪了圖像512×512色塊，并從中隨機選擇110張圖片用于測試。
（3）Nam：其中最初包含50對真實世界的噪音和無噪音的場景。 場景被進一步裁剪為提供者提供的512×512大小的補丁產生1000張較小圖像的數據集。
（4）SSID：作者已收集了3萬張實時圖像及其相應的清晰圖像。但是，僅發布了320張圖像進行訓練和1280張圖像對用于驗證
（5）三個合成噪聲數據集從廣泛使用的12幅經典圖像、其中BSD68彩色和灰度68圖像中用于測試。
2.實驗方案設計：
（1）為了生成有噪聲的合成圖像，作者使用BSD500[44]、DIV2K[4]和MIT-Adobe FiveK[15]生成4k圖像，而對于真正有噪聲的圖像，作者使用來自SSID、Poly和RENOIR的512×512裁剪補丁。對訓練圖像進行數據增強，包括90?，180?，270?隨機旋轉和水平翻轉。在每個訓練批中，提取32個patch作為輸入，大小為80 × 80。使用Adam[36]作為具有默認參數的優化器。學習速率最初設置為10?4，然后在105次迭代后減半。該網絡在Pytorch框架中實現，并使用Nvidia Tesla V100 GPU進行訓練。此外，使用PSNR作為評價指標。
（2）進行Ablation Studies（去除模型或算法的某些“特征”，并觀察其對性能的影響。）其中分為兩方面：跳躍連接的影響和功能關注。
第一方面：跳過連接在該網絡中起著至關重要的作用。文中演示了跳躍連接的有效性。其模型由三種基本類型的連接組成，包括長跳接連接(LSC)、短跳接連接(SSC)和本地連接(LC)。表中顯示了BSD68數據集的平均PSNR。當所有跳過連接都可用時，性能最高，而當沒有任何連接時，性能較低。同時還觀察到，在沒有跳過連接的情況下增加網絡深度對性能沒有好處。
第二方面：該網絡的另一個重要方面是功能關注。表中比較了有和沒有特征注意的網絡的PSNR值。結果支持了作者關于使用特征注意的好處的說法。自DnCNN成立以來[63]，CNN模型已經成熟，進一步的性能改進需要仔細設計塊和feature maps的重新調節。這兩個特征在論文中以模型中以特征-注意和跳躍連接的形式出現

（3）作者評估算法使用峰值Signalto-Noise比率(PSNR)指數的誤差度量和比較對許多先進的競爭算法,包括傳統方法即CBM3D , WNNM , EPLL , CSF和CNN-based denoisers即MLP。TNRD, DnCNN, IrCNN , CNLNet ,FFDNet和CBDNet。為了比較公平，本文作者使用其他相關作者提供的傳統方法的默認設置。
（4）在三個合成圖像數據集和四個真實圖像噪聲數據集上進行了實驗，表明此模型在合成圖像和真實圖像的定量和定性上都達到了最新的水平。其中部分效果如圖：

實驗結果

輸入1：

輸出1：

輸入2：

輸出2：

輸入3：

輸出3：

輸入4：

輸出4：

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的二维码图像去噪文献调研(1)--Real Image Denoising with Feature Attention的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。