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:
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)=2N1i=1∑N∥F(yi,Mi;Θ)−xi∥2
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