《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》学习笔记

自己学习这篇论文后随手记下来的东西，仅代表个人的理解，理解不对的地方，欢迎各位指出！

去噪：Y = x+v    v是带标准差σ的AWGN，x是一个干净的图像，y是带噪声的观察对象。

加性高斯白噪声（AWGN）：是最基本的噪声与干扰模型服从高斯分布。

PSNR：峰值信噪比，衡量图像失真或是噪声水平的客观标准。两个图像之间PSNR值越大，越相似。PSNR越大，去噪效果越好。普遍基准为30dB，30以下的图像劣化较为明显。

传统方法：训练一个能够在确定的噪声level上加性高斯白噪声（AWGN）的模型。

为图像先验知识建模的模型：NSS（非局部自相似性模型）、稀疏模型、梯度模型、马尔科夫随机场模型（MRF）。

NSS包括：BM3D、LSSC、NCSR、WNNM。

缺点：一、在测试阶段涉及复杂的优化问题，耗时。

二、模型一般是非凸的，涉及几个人工选择的参数。

本文方法：能对未知的噪声level高斯去噪，一个model能解决几种普遍的图像去噪任务，如高斯去噪、图像超分辨率、JPEG图像的块效应。

model：前馈降噪卷积神经网络（DnCNNs）。

训练过程加速和提高性能：残差学习、批处理归一化。

 

DnCNN的好处：

1. 提出一个端到端的CNN，这个网络利用残差学习从带噪声的图像中移出干净图像。

2. 残差学习和批处理对CNN有益，能加速和提高去噪性能。

3. DnCNN可以处理普通的图像去噪任务，也叫盲去噪。

 

Model设计：修改VGG，修改了网络的深度，包括：CONV滤波器的大小改为3*3，去掉所有的池化层。对于特定噪声level的高斯去噪，depth=17，普通去噪任务，depth=20。

Depth越大，感受野越大，可以更好的利用大的图像区域上的上下文信息。

 

去噪过程：用残差学习公式训练一个残差映射R(y)≈v，然后x=y-R(y)。

网络结构：第一层：Conv+ReLU(64个3*3*c的filters)

            中间D-2层：Conv+BN+ReLU(64个3*3*64的filters)

            最后一层：Conv(c个3*3*64的filters)

 

test数据集：BSD68(从Berkeley segmentation dataset中选68张图像)和其他12张图像。

噪声来源：从正态分布中输出随机值，也就是高斯噪声。

Input：在原始灰度图像加了随机噪声后的灰度图像。

Output：残差映射R(y)

Depth=17

去噪后的图像=Input-output

计算denoised图像与原始图像的loss函数，更新权重参数。

计算denoised图像与原始图像的PSNR。

训练数据封装在img_clean_pats.npy中。

Test：

Input：原始图像

Input：去噪后的图像和带噪声的图像

Output：带噪声的图像-