近些年,深卷积神经网络(CNN)在图像去噪领域引起了极大的轰动。然而,对于高斯图像去噪任务来说,它有一些问题:(1)绝大多数的单分支模型不能充分地利用图像特征,经常受到信息丢失的影响;(2)大多数深度CNN存在边缘特征提取不足且性能饱和...近些年,深卷积神经网络(CNN)在图像去噪领域引起了极大的轰动。然而,对于高斯图像去噪任务来说,它有一些问题:(1)绝大多数的单分支模型不能充分地利用图像特征,经常受到信息丢失的影响;(2)大多数深度CNN存在边缘特征提取不足且性能饱和问题。为了解决这两个问题,提出了基于深度学习的多分支网络模型(multibranch network model based on deep learning,MBNet)。为了解决单分支网络模型提取特征不充分问题,MBNet引入多个不同且互补的网络相结合再进行特征融合来增强去噪效果和泛化能力;为了解决边缘特征提取不充分问题,MBNet引入多个不同扩张率的空洞卷积来增大感受野,提取更多的上下文信息;为了解决深度CNN性能饱和问题,MBNet还采用了多局部残差学习和整体残差学习的方式。大量实验结果表明,当σ=15时,MBNet在Set12、BSD68、CBSD68、Kodak24、McMaster数据集上的平均PSNR值分别为32.981 dB、31.750 dB、34.001 dB、34.709 dB、34.394 dB。MBNet比目前先进的图像去噪方法具有更好的性能,并且在主观视觉效果上得到更加清晰的图像和边缘纹理特征。展开更多
文摘近些年,深卷积神经网络(CNN)在图像去噪领域引起了极大的轰动。然而,对于高斯图像去噪任务来说,它有一些问题:(1)绝大多数的单分支模型不能充分地利用图像特征,经常受到信息丢失的影响;(2)大多数深度CNN存在边缘特征提取不足且性能饱和问题。为了解决这两个问题,提出了基于深度学习的多分支网络模型(multibranch network model based on deep learning,MBNet)。为了解决单分支网络模型提取特征不充分问题,MBNet引入多个不同且互补的网络相结合再进行特征融合来增强去噪效果和泛化能力;为了解决边缘特征提取不充分问题,MBNet引入多个不同扩张率的空洞卷积来增大感受野,提取更多的上下文信息;为了解决深度CNN性能饱和问题,MBNet还采用了多局部残差学习和整体残差学习的方式。大量实验结果表明,当σ=15时,MBNet在Set12、BSD68、CBSD68、Kodak24、McMaster数据集上的平均PSNR值分别为32.981 dB、31.750 dB、34.001 dB、34.709 dB、34.394 dB。MBNet比目前先进的图像去噪方法具有更好的性能,并且在主观视觉效果上得到更加清晰的图像和边缘纹理特征。