Introduction

FFDNet是Zhang Kai的一篇承前啓後之作，從DnCNN到FFDNet再到CBDNet是一個網絡的泛化過程，處理的對象從均勻的高斯噪聲變成更加複雜的真實噪聲。DnCNN利用Batch Normalization和residual learning可以有效地去除均勻高斯噪聲，且對一定噪聲水平範圍的噪聲都有抑制作用。然而真實的噪聲並不是均勻的高斯噪聲，其是信號依賴的，各顏色通道相關的，而且是不均勻的，可能隨空間位置變化的。在這種情況下，FFDNet使用噪聲估計圖作爲輸入，權衡對均布噪聲的抑制和細節的保持，從而應對更加複雜的真實場景。而CBDNet進一步發揮了這種優勢，其將噪聲水平估計過程也用一個子網絡實現，從而使得整個網絡可以實現盲去噪。
該網絡的特點在於：

1. 將噪聲水平估計作爲網絡的輸入，可以應對更加複雜的噪聲，如不同噪聲水平噪聲和空間變化噪聲，而且噪聲水平估計可以作爲權重權衡對噪聲的抑制和細節的保持。
2. 將輸入圖像下采樣爲多張子圖像作爲網絡輸入，輸出的子圖像再通過上採樣得到最終的輸出。該操作在保持結果精度的條件下，有效地減少了網絡參數，增加感受野，使得網絡更有效率。
3. 使用正交矩陣初始化網絡參數，從而使得網絡訓練更有效率。

Network

網絡結構

網絡參數

損失函數

L(Θ)=12N∑Ni=1∥F(yi,Mi;Θ)−xi∥2\mathcal{L}(\Theta)=\frac{1}{2N}\sum^N_{i=1}\|\mathcal{F}(y_i,M_i;\Theta)-x_i\|^2L(Θ)=2N1​i=1∑N​∥F(yi​,Mi​;Θ)−xi​∥2

Experiment Results

FFDNet與BM3D和DnCNN有相似的噪聲水平敏感度的表現。當真實噪聲水平未知時，設置比較大的輸入噪聲水平能更有效地去除噪聲，保持更好的視覺效果。

代碼地址：github