科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有基于深度学习的图像去噪方法中，在网络架构层面存在单阶段网络特征表达能力不足而难以在复杂场景下重构清晰图像，以及多阶段网络内部特征连接不紧密而容易丢失原始图像细节的问题。在基础构建块层面，存在卷积层难以处理较大噪声级别下的跨层次特征，以及全连接层难以捕获图像邻域空间细节的问题。为解决以上问题，本文分别从两方面提出解决方法。一方面，在架构层面提出新颖的跨阶段门控特征融合，从而更好地连接一阶段网络的浅层特征与二阶段的深层特征，促进信息流的交互并使得去噪网络内部关联更为紧密，同时避免丢失原始像素细节。另一方面，在基础构建块层面提出结合卷积神经网络和多层感知机特性的双轴特征偏移块，作用于低分辨率多通道数的特征图，从而缓解卷积网络对复杂噪声场景下难以捕获跨层次特征依赖关系的问题，并在高分辨率少通道数的特征图使用卷积网络以充分提取噪声图像空间邻域依赖关系。大量定量实验与定性实验表明，本文所提出的算法在真实世界图像去噪和高斯噪声去除任务中，都以较小的参数量和计算代价取得了最佳的PSNR（Peak Signal-to-Noise Ratio）和SSIM（Structural Similarity）图像去噪指标。
- 单位
