科研之友
微信
新浪微博
Facebook
分享链接
摘要
相对于采用固定网络参数值的有监督深度降噪模型而言，无监督的深度图像先验（Deep Image Prior,DIP）降噪模型更具灵活性和实用性.然而，DIP模型的降噪效果远低于有监督降噪模型（尤其是在处理人工合成噪声图像时）.为进一步提升DIP降噪模型的降噪效果，本文提出了双通道深度图像先验降噪模型.该降噪模型由噪声图像预处理、在线迭代训练和图像融合3个模块组成.首先，利用BM3D和FFDNet两种经典降噪方法对给定的噪声图像进行预处理，得到2张初步降噪图像，然后，将原DIP单通道逼近目标图像架构拓展为双通道工作模式.其中，第一通道以FFDNet初步降噪图像和噪声图像为双目标图像，第二通道则以BM3D预处理图像和噪声图像为双目标图像.在此基础上，按照标准的DIP在线训练方式让DIP网络输出图像在两个通道上分别逼近各自的目标图像，同时依据基于边缘能量定义的伪有参考图像质量评价值适时终止迭代过程，从而获得2张中间生成图像.最后，使用结构化图块分解融合算法将两张中间生成图像融合并作为最终的降噪后图像.实验数据表明，在合成噪声图像上，本文提出的双通道深度图像先验降噪模型在各个噪声水平上显著优于原DIP及其他无监督降噪模型（提升了约2.2 dB），甚至逼近和超过了新近提出的主流有监督降噪模型，这充分表明了本文提出的改进策略的有效性；在真实噪声图像上，本文提出的降噪模型优于排名第二的对比降噪方法约2 dB，展现出其在实际应用场景下独有的优势.
-
单位南昌大学附属感染病医院
