Collection | 將深度學習用於圖像去噪
目錄
- I. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
- 1. Introduction
- 2. DnCNN
I. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
熱度：2016年發表，2018年12月引用量約500。
1. Introduction
在此之前， Discriminative model 用於圖像去噪已經取得了巨大的成功。
在這篇文章中，作者嘗試了前向深度網絡： Denoising convolutional neural networks (DnCNNs)
在此過程中，作者加入了 BN 和殘差學習技巧，既加快訓練速度，也提升模型性能。
引入殘差學習的好處：不同圖像任務，大多只區別於殘差；比如加不同程度的高斯噪聲。因此 DnCNNs 在多種圖像去噪任務上都可以勝任。
上述思路，在2016年還行得通。但在深度學習泛濫的今天，骨頭湯裏的肉已經被吃完了，只剩骨頭了。因此，單純增加深度和引入結構性設計，是很難作為創新點的。
由貝葉斯學派的觀點，對於圖片去噪，當似然已知時，圖像的先驗就是決定性因素。
事實上，過去多年內，許多人都在朝這一方向努力。如 nonlocal self-similarity (NSS) models ，稀疏模型等。
但它們都有兩個共同缺點：
- 在測試階段，這些方法都包含一個復雜的優化過程，非常耗時。
- 這些模型大體上都是非凸的，並且包含手工設計的參數。
後人做了一些改進，著力於取代測試階段復雜的叠代優化過程。然而，它們的性能仍然受到先驗類別的局限。具體來說，它們對特征的挖掘存在局限，並且包含了大量手工設計的參數。
事實上，這也是大多數傳統方法和深度學習方法相比較的劣勢。深度學習方法可解釋性不佳，但是很少需要人工介入，也很強大。
2. DnCNN
網絡結構是簡單的一條流水線：前面只用了簡單 CNN 和 ReLU 激活單元，中間用 CNN Plus BN 加速訓練，最後 CNN 輸出。
整體上是學習殘差。
該網絡對比前任的優點還有：通過簡單的零插值，就可以使輸入、輸出尺寸相同，避免了 Boundary artifacts 。
由於結構性創新是重點，因此作者比較了不同配置下網絡的性能。有趣的是， BN 和 ResLearning 缺一不可，否則性能可能不如傳統方法。
最後，為了實現所謂的多任務，作者在訓練集中摻入不同噪聲的訓練樣本， JPEG 壓縮圖像 或 降采樣圖像。實驗表明，這樣訓練出來的單一模型，仍然可以勝任多任務。
Collection | 將深度學習用於圖像去噪