摘要

目前流行的基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的圖像去噪方法是通過提取圖像的特征來恢復(fù)干凈的ground truth，獲得較高的去噪精度。然而，這些方法可能會忽略干凈圖像的基本分布，在去噪結(jié)果中產(chǎn)生失真或偽影。本文提出了一種新的視角，將圖像去噪作為一種分布學(xué)習(xí)與解纏任務(wù)。由于噪聲圖像的分布可以看作是干凈圖像和噪聲的聯(lián)合分布，去噪圖像可以通過對干凈對應(yīng)的潛在表示進(jìn)行處理來獲得。本文還提出了一種基于分布學(xué)習(xí)的去噪框架。在此框架下，作者提出了一種不考慮干凈分布和噪聲分布的可逆去噪網(wǎng)絡(luò)FDN，以及一種分布解纏方法。FDN學(xué)習(xí)噪聲圖像的分布，這不同于以往的基于CNN的判別映射。實驗結(jié)果表明，FDN在分類圖像和遙感圖像上都能去除合成的加性高斯白噪聲(AWGN)。此外，FDN在真實圖像去噪方面的性能優(yōu)于以往發(fā)表的方法，且參數(shù)更少，速度更快。

代碼鏈接：https://github.com/Yang-Liu1082/FDN.git

論文創(chuàng)新點

作者的工作貢獻(xiàn)如下。

作者重新思考圖像去噪的任務(wù)，提出了一個基于分布學(xué)習(xí)的去噪框架。

提出了一種基于流的圖像去噪神經(jīng)網(wǎng)絡(luò)(FDN)。與在這一領(lǐng)域廣泛使用的基于特征學(xué)習(xí)的cnn不同，FDN學(xué)習(xí)的是噪聲圖像的分布，而不是低級特征。

作者提出了一種解纏的方法，從噪聲分布中獲得干凈的地面真相的分布，而無需對噪聲做任何假設(shè)或使用圖像的先驗。

作者在去除特定類別圖像和遙感圖像的合成噪聲方面具有競爭力。對于真實的噪聲，作者還通過在真實的SIDD數(shù)據(jù)集上獲得新的最先進(jìn)的結(jié)果來驗證作者的去噪能力。

框架結(jié)構(gòu)

基于分布學(xué)習(xí)與解糾纏的圖像去噪框架。

作者的FDN網(wǎng)絡(luò)架構(gòu)。FDN由幾個可逆的DownScale Flow block組成。

擠壓操作根據(jù)棋盤模式降低潛在表示。

實驗結(jié)果

對比競爭方法，在σ = 50的CelebA數(shù)據(jù)集上FDN的圖像去噪結(jié)果。作者的網(wǎng)絡(luò)產(chǎn)生的結(jié)果接近地面的真相，沒有任何變形和人為因素。放大效果最好。

對CUB-200數(shù)據(jù)集σ = 50的去噪結(jié)果進(jìn)行了比較。作者的方法去除偽影和噪聲，提供干凈的邊緣和紋理。

在花數(shù)據(jù)集上的視覺比較σ = 50與最先進(jìn)的方法。

結(jié)論

廣泛使用的圖像去噪神經(jīng)網(wǎng)絡(luò)是判別模型，通過學(xué)習(xí)圖像的特征來學(xué)習(xí)噪聲圖像和干凈圖像之間的映射。然而，這些方法可能會忽略干凈的地面真相的基礎(chǔ)分布，導(dǎo)致降級的視覺結(jié)果與模糊區(qū)域或偽影。本文為圖像去噪作為一種分布解纏任務(wù)提供了一個新的理解視角。由于噪聲圖像的分布可以看作是干凈圖像和噪聲圖像的聯(lián)合分布，所以可以通過干凈圖像的潛在表示來得到去噪圖像。提出了一種基于分布學(xué)習(xí)的去噪框架。作者還提出了一種新的去噪網(wǎng)絡(luò)，FDN，基于歸一化流程，沒有添加任何假設(shè)干凈的圖像和噪聲分布。FDN學(xué)習(xí)的是分布，而不是特征噪聲圖像，這是不同于以往的基于特征學(xué)習(xí)的網(wǎng)絡(luò)。文中還介紹了一種分布解糾纏的去噪方法。實驗結(jié)果驗證了FDN對合成AWGN的分類圖像去噪和遙感圖像去噪的有效性。此外，FDN以更少的參數(shù)和更少的運行時間在真實圖像去噪方面表現(xiàn)出了優(yōu)越性。綜上所述，本文為優(yōu)化圖像去噪方法提供了一個新的潛在方向。

論文鏈接：https://arxiv.org/pdf/2105.04746.pdf

下載1：Pytoch常用函數(shù)手冊

在「深度學(xué)習(xí)愛好者」公眾號后臺回復(fù)：Pytorch常用函數(shù)手冊，即可下載全網(wǎng)第一份Pytorch常用函數(shù)手冊，涵蓋Tensors介紹、基礎(chǔ)函數(shù)介紹、數(shù)據(jù)處理函數(shù)、優(yōu)化函數(shù)、CUDA編程、多線程處理等十四章章內(nèi)容。

—END— 聲明：部分內(nèi)容來源于網(wǎng)絡(luò)，僅供讀者學(xué)術(shù)交流之目的。文章版權(quán)歸原作者所有。如有不妥，請聯(lián)系刪除。往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載黃海廣老師《機(jī)器學(xué)習(xí)課程》視頻課黃海廣老師《機(jī)器學(xué)習(xí)課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【深度学习】图像去噪：一种基于流的图像去噪神经网络的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。