论文题目:Self-Guided Network for Fast Image Denoising
发表时间: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 )
随着各种消费相机的广泛普及,对高精度和高效图像降噪算法的需求比以往任何时候都更加强大。
为了追求更准确的去噪结果,现在有一些复杂的网络。尽管在一些数据集上这些方法的效果很有竞争力,但是它们繁重的计算和内存占用量阻碍了它们在硬件受限的设备(例如智能电话或消费电子产品)上的应用。
给定输入图片 维度为 ,SGN首先对 进行suffle操作,得到 ,维度为 ,然后对 在第 层利用 进行特征提取。得到低 层的信息之后,我们将其传播至 层。通过中间层网络 ,多尺度上下文信息逐渐移向全分辨率并且指导最底层的子网络 生成最终的估计。
图中右下角Shuffle/2与X2的箭头画反了。
在蓝色框中卷积层的数目为3。
在第k层中,通道数是第0层的 倍,在这一层我们使子网络 得到的特征矩阵数为 ,其中 为第0层的特征矩阵数。由于输入的矩阵尺寸是原来的 ,所以比在原图直接进行卷积要快。
在第 层得到的特征矩阵先进行shufflex2操作,通道数变为了 ,之后与第 层的特征矩阵进行拼接,得到的通道数为 ,之后经过卷积层降维得到的矩阵通道数为 。
注意在最底层不包含残差模块(蓝色)。
训练集:DIV2K中的800张 。采用随机翻转和旋转操作的数据增强功能增加训练数据。
测试集:DIV2K中的100张。
为了与其他方法比较,选取了Berkeley segmentation数据集中的68张图片。
添加的高斯噪声的方差 为30,50,70.
tation数据集中的68张图片。
添加的高斯噪声的方差 为30,50,70.
使用 的Adam优化器,在每一次迭代过程中,我们从训练集中随机裁剪了8个大小为256×256的子图像。前500K次迭代学习率为 ,之后的500K次迭代衰减为 。