歡迎來到《每周CV論文推薦》。在這個專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統(tǒng)性完成學(xué)習(xí)，所以我們推薦的文章也必定是同一主題的。

圖像降噪是圖像處理領(lǐng)域中非常傳統(tǒng)和經(jīng)典的問題，今天給大家推薦學(xué)習(xí)該領(lǐng)域值得讀的文章。

作者&編輯 | 言有三

1 基本CNN結(jié)構(gòu)

圖像去噪模型的輸出是無噪聲的圖像，與輸入圖像大小相同，所以可以使用圖像分割一類的模型，即經(jīng)典的基于跳層連接的卷積與反卷積對稱結(jié)構(gòu)[1]，優(yōu)化目標(biāo)為逐個像素的歐式距離損失。

文章引用量：200+

推薦指數(shù)：?????

[1] Mao X, Shen C, Yang Y B. Image restoration using very deep convolutionalencoder-decoder networks with symmetric skip connections[C]//Advances in neuralinformation processing systems. 2016: 2802-2810.

2 殘差學(xué)習(xí)DnCNN

在信息處理領(lǐng)域中，學(xué)習(xí)信號的改變量往往比學(xué)習(xí)原始信號更加簡單，這被用于非常有效的殘差網(wǎng)絡(luò)。DnCNN模型[2]也借鑒了這個思路，它不是直接輸出去噪圖像，而是預(yù)測殘差圖像，即噪聲觀察和潛在的干凈圖像之間的差異。

文章引用量：1600+

推薦指數(shù)：?????

[2] Zhang K, Zuo W, Chen Y, et al. Beyond a gaussian denoiser: Residual learningof deep cnn for image denoising[J]. IEEE Transactions on Image Processing, 2017,26(7): 3142-3155.

3 噪聲水平估計CBDNet

前述兩個框架都是盲去噪聲模型，即不估計噪聲的水平，而CBDNet 模型[3]是一個真實圖像非盲去噪框架，使用了一個噪聲估計子網(wǎng)絡(luò)估計出噪聲水平，然后與原輸入圖一起輸入基于跳層連接的去噪模型。

文章引用量：50+

推薦指數(shù)：?????

[3] Guo S, Yan Z, Zhang K, et al. Toward convolutional blind denoising of realphotographs[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition. 2019: 1712-1722.

4 GAN合成噪聲樣本

對于有監(jiān)督的模型來說，真實的有噪聲和無噪聲成對圖像的獲取是將深度學(xué)習(xí)應(yīng)用于去噪問題的關(guān)鍵，但是仿真數(shù)據(jù)集不夠真實，因此基于生成對抗網(wǎng)絡(luò)GAN生成真實噪聲[4]是非常好的方式，值得重點關(guān)注。

文章引用量：80+

推薦指數(shù)：?????

[4] Chen J, Chen J, Chao H, et al. Image blind denoising with generative adversarial network based noise modeling[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 3155-3164.

5 自監(jiān)督模型

獲取帶噪聲圖片和清晰圖片的成本非常高昂，那么是不是可以只使用含噪聲的圖像就訓(xùn)練出好的去噪模型呢？Noise2Noise[5]就是這樣一個框架，使用同一個場景的多張含噪聲圖像就能獲得好的結(jié)果。類似的還有基于單張圖進(jìn)行學(xué)習(xí)的Deep image prior，Noise2Void等，它們的原理都是基于統(tǒng)計先驗知識。

文章引用量：400+

推薦指數(shù)：?????

[5] Lehtinen J, Munkberg J, Hasselgren J, et al. Noise2noise: Learning image restoration without clean data[J]. arXiv preprint arXiv:1803.04189, 2018.

[6]?Lempitsky V, Vedaldi A, Ulyanov D, et al. Deep Image Prior[C]. computer vision and pattern recognition, 2018: 9446-9454.

[7] Krull A, Buchholz T, Jug F, et al. Noise2Void - Learning Denoising From Single Noisy Images[C]. computer vision and pattern recognition, 2019: 2129-2137.

[8]?Batson J, Royer L. Noise2Self: Blind Denoising by Self-Supervision[J]. arXiv: Computer Vision and Pattern Recognition, 2019.

6 圖像降噪的應(yīng)用

當(dāng)然了，圖像降噪這個問題我們不能僅僅局限在一些很底層和傳統(tǒng)的噪聲理解，它本身可以覆蓋更多的應(yīng)用，比如在計算機(jī)視覺領(lǐng)域中研究比較多的去雨算法，在相關(guān)研究中會使用到特定的模型以及注意力機(jī)制等方法，感興趣的可以去關(guān)注。

文章引用量：20+

推薦指數(shù)：?????

[9]?Li S, Cao X, Araujo I B, et al. Single Image Deraining: A Comprehensive Benchmark Analysis[C]. computer vision and pattern recognition, 2019: 3838-3847.

7 文章解讀

關(guān)于圖像降噪相關(guān)文章的詳細(xì)解讀，在有三AI知識星球-網(wǎng)絡(luò)結(jié)構(gòu)1000變-圖像增強(qiáng)標(biāo)簽下有較多的文章，感興趣可以移步。

總結(jié)

本次我們介紹了深度學(xué)習(xí)圖像降噪領(lǐng)域值得讀的文章，當(dāng)前研究難點在于自監(jiān)督圖像降噪，真實復(fù)雜噪聲去除等方向，讀者可以繼續(xù)關(guān)注。

有三AI知識星球

知識星球是有三AI的付費內(nèi)容社區(qū)，里面包括各領(lǐng)域的模型學(xué)習(xí)，數(shù)據(jù)集下載，公眾號的付費圖文原稿，技術(shù)總結(jié)PPT和視頻，知識問答，書籍下載，項目推薦，線下活動等資源，了解詳細(xì)請閱讀以下文章：

【雜談】有三AI知識星球一周年了！為什么公眾號+星球才是完整的？

【雜談】萬萬沒想到，有三還有個保密的‘朋友圈’，那里面都在弄啥！

轉(zhuǎn)載文章請后臺聯(lián)系

侵權(quán)必究

往期精選

• 【每周論文推薦】 初入深度學(xué)習(xí)CV領(lǐng)域必讀的幾篇文章
  

• 【每周CV論文推薦】 掌握殘差網(wǎng)絡(luò)必讀的10多篇文章

• 【每周CV論文推薦】 初學(xué)者必須精讀的5篇深度學(xué)習(xí)優(yōu)化相關(guān)文章

• 【每周CV論文推薦】 CV領(lǐng)域中數(shù)據(jù)增強(qiáng)相關(guān)的論文推薦

• 【每周CV論文推薦】 初學(xué)高效率CNN模型設(shè)計應(yīng)該讀的文章

• 【每周CV論文推薦】 初學(xué)目標(biāo)檢測必須要讀的文章

• 【每周CV論文推薦】 初學(xué)深度學(xué)習(xí)圖像分割必須要讀的文章

• 【每周CV論文推薦】 初學(xué)GAN必須要讀的文章

• 【每周CV論文推薦】 深度學(xué)習(xí)人臉檢測入門必讀文章

• 【每周CV論文推薦】 初學(xué)深度學(xué)習(xí)人臉關(guān)鍵點檢測必讀文章

• 【每周CV論文推薦】 初學(xué)深度學(xué)習(xí)人臉識別和驗證必讀文章

• 【每周CV論文推薦】 初學(xué)深度學(xué)習(xí)人臉屬性分析必讀的文章

• 【每周CV論文推薦】 初學(xué)活體檢測與偽造人臉檢測必讀的文章

• 【每周CV論文推薦】 初學(xué)深度學(xué)習(xí)單張圖像三維人臉重建需要讀的文章

• 【每周CV論文推薦】 人臉識別剩下的難題：從遮擋，年齡，姿態(tài)，妝造到親屬關(guān)系，人臉攻擊

• 【每周CV論文推薦】換臉?biāo)惴ǘ加心男┙?jīng)典的思路？

• 【每周CV論文】深度學(xué)習(xí)文本檢測與識別入門必讀文章

總結(jié)

以上是生活随笔為你收集整理的【每周CV论文】深度学习图像降噪应该从阅读哪些文章开始的全部內(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。