基于卷积神经网络及易于硬件实现的真实图像去噪算法

考虑移动端有限的计算资源,本文采用U型网络作为图像去噪的主干网络,提出了一种新的真实图像去噪算法CBDNet+.在CBDNet基础上,提出在上、下采样阶段采用小波变换,减少了乘法器的利用,更易于在资源有限的移动端实现,并且图像去噪性能较CBDNet有一定的提升.针对资源有限及低功耗的需求,对训练之后的网络进行剪枝以及8bit量化压缩,有效地提升了算法的效率并且减少了其需要的存储空间.在算法基础上,围绕硬件架构、片上缓存、性能及功耗等方面进行移动端专用型神经网络加速器的研究与设计.针对使用小波变换及小波逆变换的卷积神经网络图像去噪算法,采用专用的卷积神经网络加速器结构,降低片内外存储带宽;采用并行运算的方式,提高了小波逆变换的运算效率;在兼顾资源和速度的前提下,实现算法的加速推理.在AX7350 ZYNQ平台上实现了真实图像去噪系统,结果表明,本系统在100 MHz时钟下,平均计算性能为55.2 GOPS,功耗为1.93 W.图像去噪系统在DND测试集上测试,信噪比为36.21 dB,结构相似比为0.9435.