《Self-Guided Network for Fast Image Denoising》阅读笔记
一、论文
《Self-Guided Network for Fast Image Denoising》
在过去的几年中，使用高度复杂的神经网络在图像恢复任务上取得了巨大进步。 尽管它们具有良好的恢复性能，但是沉重的计算负担阻碍了将这些网络部署在受限设备上。 智能手机和消费电子产品。 为解决此问题，我们提出了一种自导网络（SGN），该网络采用自上而下的自导体系结构来更好地利用图像多尺度信息。 SGN通过混洗操作直接生成多分辨率输入。以低分辨率提取的大规模上下文信息逐渐传播到高分辨率子网络中，以指导这些规模的特征提取过程。 这种自我指导策略使SGN可以有效地合并多尺度信息并提取良好的局部特征以恢复嘈杂的图像。 我们通过广泛的实验验证了SGN的有效性。 实验结果表明，与最新的高效方法相比，SGN极大地提高了内存和运行时效率，而无需权衡PSNR精度
我们的主要贡献概括如下：
•提出了一种快速且高效存储的网络，即SGN，以处理图像去噪任务。通过采用自上而下的自导体系结构，SGN在降噪性能，速度和内存效率方面优于当前算法。
•我们提供详细的消融研究，以分析和验证所提出的自我指导策略的优势。
•提供了关于合成和真实数据集的定量和定性实验结果，以将SGN与最新算法进行比较。
二、模型结构
SGN具有超参数g，m，c0和K。超参数g控制顶部和中间子网络的深度，m控制底部子网络的深度，c0是特征图号，K是其中的重排级别数 SGN。
在本文中，我们设置网络深度参数g = 3，m = 2和c0 = 32，以实现性能和效率之间的平衡。 顶部，中间和底部子网分别包含5、6和5个卷积层。级别参数K影响顶部子网的空间分辨率。 对于合成高斯去噪任务，我们将K = 3设置为将SGN与其他去噪算法进行比较。 而对于更具挑战性的原始图像数据噪声[4]，我们采用K = 4以获得更大的接收场。 实验结果以及对K的讨论将在4中提供。
三、代码
四、学习资料