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 )
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。
給定輸入圖片 維度爲 ,SGN首先對 進行suffle操作,得到 ,維度爲 ,然後對 在第 層利用 進行特徵提取。得到低 層的信息之後,我們將其傳播至 層。通過中間層網絡 ,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 生成最終的估計。
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 倍,在這一層我們使子網絡 得到的特徵矩陣數爲 ,其中 爲第0層的特徵矩陣數。由於輸入的矩陣尺寸是原來的 ,所以比在原圖直接進行卷積要快。
在第 層得到的特徵矩陣先進行shufflex2操作,通道數變爲了 ,之後與第 層的特徵矩陣進行拼接,得到的通道數爲 ,之後經過卷積層降維得到的矩陣通道數爲 。
注意在最底層不包含殘差模塊(藍色)。
訓練集:DIV2K中的800張 。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 爲30,50,70.
tation數據集中的68張圖片。
添加的高斯噪聲的方差 爲30,50,70.
使用 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 ,之後的500K次迭代衰減爲 。