基于深度学习的降噪思想

共计 492 个字符，预计需要花费 2 分钟才能阅读完成。

提醒：本文最后更新于 2024-08-30 15:47，文中所关联的信息可能已发生改变，请知悉！

经过各类文献调研，总结如下

典型模型

最典型的模型为 CNN 模型，各类基于 CNN 的模型也很多，其中如 DnCNN -> FFDNet -> CBDNet -> RIDNet -> PMRID 是一条越来越优的降噪网络主线

其他不同的模型也存在，但思路相仿

降噪思路

核心思路

残差思想

训练

1. 有干净图像数据集 X
2. 利用特定噪声类型，生成特殊噪声数据集 V
3. 利用加噪算法合成 X 与 V，生成图像数据集 Y（即 X + V = Y）
4. 将 X 与 Y 配对，进行训练

预测

输入 Y，进行盲去噪

预测输出 V‘，从而能较容易得到 X’= Y - V‘

分析

该种残差思想，无需考虑单个像素点是否为噪声（无需求出结果），只需要预测出残差，并进行直接的修改

存在的问题

这样的方法只能在实验中对标实验所需要的人为特定噪声（如，人为加入高斯噪声），但是噪声种类过多，在现实中，往往不能得到好的效果。

改进方法

另有论文（The classification and denoising of image noise based on deep neural networks）提供了改进的方法

大致思路为，在降噪之前，先进行噪声种类的分类，为此，该论文做了分类网络。将多种常见噪声类型进行组合，生成数据集，用于该网络训练。