Invertible Denoising Network: A Light Solution for Real Noise Removal

2021 cvpr的一篇去噪文章

与传统CNN相比,可逆网络:更轻便,适合小设备,information-lossless(信息无损失),save memory

论文地址:

CVPR 2021 Open Access Repository

原理:

利用可逆网络把noisy image分成low-resolution(LR)和high-frequency(HF)部分,因为可逆网络是无损的,所以如果LR部分与clean image的LR相同,那么噪声只在HF中存在,HF中就有可用信息和噪声,但是从HF中分离噪声又是很困难的,所以直接把HF舍弃,用代替HF,然后与LR部分一起重构clean image。

怎么让LR部分与clean image的LR部分相同呢,就有了下面的损失函数

y是噪声图像input,x就是clean image,LR就表示他的low-resolution。m范数可以是1或者2范数。X_LR通过双三次变换得到。

这个g其实就是可逆网络,y输入进去就可以得到y的LR部分和HF。既然是重构clean image,就需要一个反向过程backward pass,也就是g的逆,他的input就是y的LR部分和刚才说的代替HF的z_HF,然后他也要与clean image相似才行,也就得到了反向过程的损失函数

M,N都是像素的个数 。利用这两个损失函数来知道训练可逆网络。

网络结构:

 前向过程,第一列是input,最后一列是output,反向过程就反过来,中间部分都是可逆网络g,含有两个Downscale block,每个Down Scale block含有8个Invertible block。

可逆网络利用与CNN不同的特征提取方法,因为带padding的卷积层是不可逆的,在这里用的是可逆离散小波变换,Haar wavelet transformation,增加特征通道,降采样。维度减少一半,变成4倍通道,其中,1/4是low-frequency,3/4是HF特征。

文中还提到了一个Monte Carlo self Ensemble,多次采样,然后对每个z_HF都backward求clean image,最后平均,去噪效果有所提升。

论文代码:

 https://github.com/Yang-Liu1082/InvDN.git

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
上一篇 2022年5月18日 下午12:25
下一篇 2022年5月18日 下午12:29

相关推荐

本站注重文章个人版权,不会主动收集付费或者带有商业版权的文章,如果出现侵权情况只可能是作者后期更改了版权声明,如果出现这种情况请主动联系我们,我们看到会在第一时间删除!本站专注于人工智能高质量优质文章收集,方便各位学者快速找到学习资源,本站收集的文章都会附上文章出处,如果不愿意分享到本平台,我们会第一时间删除!