标签：过程   解释   img   大量   特征   12月   配置   迭代   mina   

目录

• I. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
  • 1. Introduction
  • 2. DnCNN

I. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising

热度：2016年发表，2018年12月引用量约500。

1. Introduction

在此之前， Discriminative model 用于图像去噪已经取得了巨大的成功。

在这篇文章中，作者尝试了前向深度网络： Denoising convolutional neural networks (DnCNNs) 。
在此过程中，作者加入了 BN 和残差学习技巧，既加快训练速度，也提升模型性能。
引入残差学习的好处：不同图像任务，大多只区别于残差；比如加不同程度的高斯噪声。因此 DnCNNs 在多种图像去噪任务上都可以胜任。

上述思路，在2016年还行得通。但在深度学习泛滥的今天，骨头汤里的肉已经被吃完了，只剩骨头了。因此，单纯增加深度和引入结构性设计，是很难作为创新点的。

由贝叶斯学派的观点，对于图片去噪，当似然已知时，图像的先验就是决定性因素。
事实上，过去多年内，许多人都在朝这一方向努力。如 nonlocal self-similarity (NSS) models ，稀疏模型等。
但它们都有两个共同缺点：

1. 在测试阶段，这些方法都包含一个复杂的优化过程，非常耗时。
2. 这些模型大体上都是非凸的，并且包含手工设计的参数。

后人做了一些改进，着力于取代测试阶段复杂的迭代优化过程。然而，它们的性能仍然受到先验类别的局限。具体来说，它们对特征的挖掘存在局限，并且包含了大量手工设计的参数。

事实上，这也是大多数传统方法和深度学习方法相比较的劣势。深度学习方法可解释性不佳，但是很少需要人工介入，也很强大。

2. DnCNN

网络结构是简单的一条流水线：前面只用了简单 CNN 和 ReLU 激活单元，中间用 CNN Plus BN 加速训练，最后 CNN 输出。
整体上是学习残差。

该网络对比前任的优点还有：通过简单的零插值，就可以使输入、输出尺寸相同，避免了 Boundary artifacts 。

由于结构性创新是重点，因此作者比较了不同配置下网络的性能。有趣的是， BN 和 ResLearning 缺一不可，否则性能可能不如传统方法。

最后，为了实现所谓的多任务，作者在训练集中掺入不同噪声的训练样本， JPEG 压缩图像 或 降采样图像。实验表明，这样训练出来的单一模型，仍然可以胜任多任务。

Collection | 将深度学习用于图像去噪

标签：过程   解释   img   大量   特征   12月   配置   迭代   mina   

原文地址：https://www.cnblogs.com/RyanXing/p/10125700.html