摘要

目前流行的基于卷積神經網絡(CNN)的圖像去噪方法是通過提取圖像的特征來恢復干凈的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，在去噪結果中產生失真或偽影。本文提出了一種新的視角，將圖像去噪作為一種分布學習與解纏任務。由于噪聲圖像的分布可以看作是干凈圖像和噪聲的聯合分布，去噪圖像可以通過對干凈對應的潛在表示進行處理來獲得。本文還提出了一種基于分布學習的去噪框架。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絡FDN，以及一種分布解纏方法。FDN學習噪聲圖像的分布，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于以往發表的方法，且參數更少，速度更快。

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

論文創新點

作者的工作貢獻如下。

作者重新思考圖像去噪的任務，提出了一個基于分布學習的去噪框架。

提出了一種基于流的圖像去噪神經網絡(FDN)。與在這一領域廣泛使用的基于特征學習的cnn不同，FDN學習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數據集上獲得新的最先進的結果來驗證作者的去噪能力。

框架結構

基于分布學習與解糾纏的圖像去噪框架。

作者的FDN網絡架構。FDN由幾個可逆的DownScale Flow block組成。

擠壓操作根據棋盤模式降低潛在表示。

實驗結果

對比競爭方法，在σ = 50的CelebA數據集上FDN的圖像去噪結果。作者的網絡產生的結果接近地面的真相，沒有任何變形和人為因素。放大效果最好。

對CUB-200數據集σ = 50的去噪結果進行了比較。作者的方法去除偽影和噪聲，提供干凈的邊緣和紋理。

在花數據集上的視覺比較σ = 50與最先進的方法。

結論

廣泛使用的圖像去噪神經網絡是判別模型，通過學習圖像的特征來學習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分布，導致降級的視覺結果與模糊區域或偽影。本文為圖像去噪作為一種分布解纏任務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習的去噪框架。作者還提出了一種新的去噪網絡，FDN，基于歸一化流程，沒有添加任何假設干凈的圖像和噪聲分布。FDN學習的是分布，而不是特征噪聲圖像，這是不同于以往的基于特征學習的網絡。文中還介紹了一種分布解糾纏的去噪方法。實驗結果驗證了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以更少的參數和更少的運行時間在真實圖像去噪方面表現出了優越性。綜上所述，本文為優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常用函數手冊

在「深度學習愛好者」公眾號后臺回復：Pytorch常用函數手冊，即可下載全網第一份Pytorch常用函數手冊，涵蓋Tensors介紹、基礎函數介紹、數據處理函數、優化函數、CUDA編程、多線程處理等十四章章內容。

—END— 聲明：部分內容來源于網絡，僅供讀者學術交流之目的。文章版權歸原作者所有。如有不妥，請聯系刪除。往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結

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。