注意力引导的图像去噪

说明

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0893608019304241
代码链接：https://github.com/hellloxiaotian/ADNet

哈尔滨工业大学与北京大学的研究人员在神经网络Top期刊NeuralNetworks上2020年联合发表《Attention-guided CNN for image denoising》,该论文利用稀疏机制、特征增强机制和Attention机制在小网络复杂度的情况下提取显著性特征进而移除复杂图像背景中噪声。
我们提出一个attention-guided denoising CNN (ADNet)。ADNet主要利用四个模块：一个稀疏块（SB），一个特征增强块（FEB）, 一个注意力机制（AB）和一个重构块(RB)来进行图像去噪。

特殊地，SB利用空洞卷积和普通卷积来实现稀疏机制并能在效率和性能上达到平衡。FEB利用长路径集成全局和局部的特征信息来增强去噪模型的表达能力。AB是被用于提取隐藏在复杂背景中的噪声信息。该模块对于复杂的噪声图像（真实噪声图像和盲噪声）是非常有效的。

同时，FEB和AB能共同提高训练噪声模型的效率和减少复杂度。

最后，一个RB通过获得的噪声映射和给出的噪声图像来重构干净的图像。扩展的实验显示所提出的ADNet就定性和定量估计而言在合成的噪声图像、真实的噪声图像和盲去噪方面都获得好的性能。ADNet的代码在https://github.com/hellloxiaotian/ADNet上是能被利用。

网络结构图：

代码运行

1. 准备训练数据集
   灰色嘈杂图像的训练数据集可从https://pan.baidu.com/s/1nkY-b5_mdzliL7Y7N9JQRQ下载
   彩色噪点图像的训练数据集可从https://pan.baidu.com/s/1ou2mK5JUh-K8iMu8-DMcMw下载
   若以上无法下载可尝试：https://pan.baidu.com/s/1xiWBM2gYKU5FC1f7bx1O0A 提取码: 6dv8

2. 训练
   训练ADNet-S（已知噪声水平的ADNet）
   python train.py --prepropcess True --num_of_layers 17 --mode S --noiseL 25 --val_noiseL 25
   训练ADNet-B（具有噪声水平的DnCNN）
   python train.py --preprocess True --num_of_layers 17 --mode B --val_noiseL 25

3. 测试
   灰色嘈杂的图像
   python test.py --num_of_layers 17 --logdir g15 --test_data Set68 --test_noiseL 15
   灰色盲降噪
   python test_Gb.py --num_of_layers 17 --logdir gblind --test_data Set68 --test_noiseL 25
   彩色噪点图像
   python test_c.py --num_of_layers 17 --logdir g15 --test_data Set68 --test_noiseL 15
   色盲去噪
   python test_c.py --num_of_layers 17 --logdir cblind --test_data Set68 --test_noiseL 15

待续