超越高斯去噪:用于图像去噪的深度CNN残差学习

最近,用于图像去噪的判别模型学习由于其良好的去噪性能,受到了广泛的关注。在本文中,我们通过调查前馈去噪卷积神经网络(DnCNNs)深度结构、学习算法和正则化的进展方法引入图像去噪。具体来说,剩余学习和批处理利用标准化来加快培训过程并提高去噪性能。不同于现有的判别去噪通常针对加性高斯白噪声训练特定模型的模型(AWGN)在一定的噪声水平下,我们的DnCNN模型能够处理高斯未知噪声水平的去噪(即盲高斯去噪)。使用残差学习策略,DnCNN隐式去除隐藏层。这一特性促使我们训练单个DnCNN模型处理几种常见的图像去噪任务,如高斯去噪,单图像超分辨率和JPEG图像去块。我们的实验表明,我们的DnCNN模型不仅可以表现出较高的在几种常见的图像去噪任务中都是有效的,而且也是高效的通过利用GPU计算实现。

PDF格式 摘要
任务 数据集 模型 指标名称 公制值 全球排名 结果 基准
图像超分辨率 BSD100-2倍升级 DnCNN-3号机组 峰值信噪比 31.9 # 24
图像超分辨率 BSD100-3倍升级 DnCNN-3号机组 峰值信噪比 28.85 # 19
图像超分辨率 BSD100-4倍升级 DnCNN-3号机组 峰值信噪比 27.29 # 45
SSIM公司 0.7253 # 45
彩色图像去噪 BSD68西格玛15 DnCNN-3号机组 峰值信噪比 31.46 # 4
彩色图像去噪 BSD68西格玛25 DnCNN-3号机组 峰值信噪比 29.02 # 4
灰度图像去噪 BSD68西格玛25 DnCNN公司 峰值信噪比 29.23 # 10
彩色图像去噪 CBSD68西格玛35 DnCNN-B公司* 峰值信噪比 28.74 # 6
JPEG伪影校正 经典5(质量10灰度) DnCNN-3号机组 峰值信噪比 29.4 # 6
JPEG伪影校正 经典5(质量20灰度) DnCNN-3号机组 峰值信噪比 31.63 # 5
JPEG伪影校正 经典5(质量30灰度) DnCNN-3号机组 峰值信噪比 32.91 # 5
JPEG伪影校正 经典5(质量40灰度) DnCNN-3号机组 峰值信噪比 33.77 # 4
JPEG伪影校正 实时1(质量10灰度) DnCNN-3号机组 峰值信噪比 29.19 # 10
JPEG伪影校正 LIVE1(质量20灰度) DnCNN-3号机组 峰值信噪比 31.59 # 10
JPEG伪影校正 LIVE1(质量30灰度) DnCNN-3号机组 峰值信噪比 32.98 # 5
JPEG伪影校正 LIVE1(质量40灰度) DnCNN-3号机组 峰值信噪比 33.96 # 4
图像超分辨率 设置14-2倍放大 DnCNN-3号机组 峰值信噪比 33.03 # 25
图像超分辨率 设置14-3倍放大 DnCNN-3号机组 峰值信噪比 29.81 # 18
图像超分辨率 设置14-4倍放大 DnCNN-3号机组 峰值信噪比 28.04 # 72
SSIM公司 0.7672 # 73
图像超分辨率 设置5-2倍放大 DnCNN-3号机组 峰值信噪比 37.58 # 27
图像超分辨率 设置5-3倍放大 DnCNN-3号机组 峰值信噪比 33.75 # 24
图像超分辨率 Urban100-升级2倍 第n细胞神经网络-3 峰值信噪比 30.74 # 24
图像超分辨率 Urban100-升级3倍 DnCNN-3号机组 峰值信噪比 27.15 # 19
图像超分辨率 Urban100-4倍升级 第n细胞神经网络-3 峰值信噪比 25.2 # 48
SSIM公司 0.7521 # 45
彩色图像去噪 城市100西格玛15 DnCNN公司 平均PSNR 32.98 # 5
灰度图像去噪 城市100西格玛15 DnCNN公司 峰值信噪比 32.67 # 6
灰度图像去噪 城市100西格玛25 美国有线电视新闻网 峰值信噪比 29.97 # 9

其他论文的结果


任务 数据集 模型 指标名称 公制值 排名 来源论文 比较
去噪 达姆施塔特噪声数据集 CDnCNN-B公司 峰值信噪比 32.43 # 9

方法