論文題目：Self-Guided Network for Fast Image Denoising

發表時間：ICCV 2019

作者及其背景：Shuhang Gu1, Yawei Li1, Luc Van Gool1,2, Radu Timofte1 (1Computer Vision Lab, ETH Zurich, Switzerland, 2KU Leuven, Belgium )

Contributions

• 提出了一種快速且高效的內存網絡SGN來處理圖像去噪任務。通過採用自頂向下的自導體系結構，SGN在降噪性能，速度和內存效率方面均優於當前算法。
• 我們提供詳細的消融研究，以分析和驗證所提出的自我指導策略的優勢。
• 提供了關於合成和真實數據集的定量和定性實驗結果，以將SGN與最新算法進行比較。

Motivation

隨着各種消費相機的廣泛普及，對高精度和高效圖像降噪算法的需求比以往任何時候都更加強大。

爲了追求更準確的去噪結果，現在有一些複雜的網絡。儘管在一些數據集上這些方法的效果很有競爭力，但是它們繁重的計算和內存佔用量阻礙了它們在硬件受限的設備（例如智能電話或消費電子產品）上的應用。

Algorithm

Overall strucure of SGN

給定輸入圖片 $I^0$I0維度爲 $M\times N \times C$M×N×C，SGN首先對 $I^0$I0進行suffle操作，得到 $I^K$IK，維度爲 $\{M /2^k\times N/2^k\times 4^kC\}_{k=1,...,K}${M/2k×N/2k×4kC}k=1,...,K​ ，然後對 $I^k$Ik在第 $K$K層利用 $f^K(\cdot)$fK(⋅)進行特徵提取。得到低 $K$K層的信息之後，我們將其傳播至 $K-1$K−1層。通過中間層網絡 $\{f^k(\cdot)\}_{k=1,...,K-1}${fk(⋅)}k=1,...,K−1​，多尺度上下文信息逐漸移向全分辨率並且指導最底層的子網絡 $\{f^0(\cdot)\}${f0(⋅)}生成最終的估計。

Details

圖中右下角Shuffle/2與X2的箭頭畫反了。

在藍色框中卷積層的數目爲3。

在第k層中，通道數是第0層的 $4^k$4k倍，在這一層我們使子網絡 $f^k(\cdot)$fk(⋅)得到的特徵矩陣數爲 $c^k=2^k\times c^0$ck=2k×c0，其中 $c^0$c0爲第0層的特徵矩陣數。由於輸入的矩陣尺寸是原來的 $1/4^k$1/4k，所以比在原圖直接進行卷積要快。

在第 $k+1$k+1層得到的特徵矩陣先進行shufflex2操作，通道數變爲了 $c^{k+1}/4$ck+1/4，之後與第 $k$k層的特徵矩陣進行拼接，得到的通道數爲 $c^k+c^{k+1}/4$ck+ck+1/4，之後經過卷積層降維得到的矩陣通道數爲 $c^K$cK。

注意在最底層不包含殘差模塊（藍色）。

Experiment

Setting

訓練集：DIV2K中的800張 $（2040x1550+）$（2040x1550+）。採用隨機翻轉和旋轉操作的數據增強功能增加訓練數據。

測試集：DIV2K中的100張。

爲了與其他方法比較，選取了Berkeley segmentation數據集中的68張圖片。

添加的高斯噪聲的方差 $\sigma$σ爲30，50，70.

tation數據集中的68張圖片。

添加的高斯噪聲的方差 $\sigma$σ爲30，50，70.

使用 $\beta_1=0.9$β1​=0.9的Adam優化器，在每一次迭代過程中，我們從訓練集中隨機裁剪了8個大小爲256×256的子圖像。前500K次迭代學習率爲 $1\times 10^{-4}$1×10−4，之後的500K次迭代衰減爲 $1\times 10^{-5}$1×10−5。