哈工大与北大提出注意力引导的图像去噪

本文由我爱计算机视觉粉丝菜鸟青年投稿。

哈尔滨工业大学与北京大学的研究人员在神经网络Top期刊NeuralNetworks上2020年联合发表《Attention-guided CNN for image denoising》,受到一致好评。该论文利用稀疏机制、特征增强机制和Attention机制在小网络复杂度的情况下提取显著性特征进而移除复杂图像背景中噪声。

该文作者：

ChunweiTian, Yong Xu, Zuoyong Li, Wangmeng Zuo, Lunke Fei, Hong Liu

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0893608019304241

代码链接：

https://github.com/hellloxiaotian/ADNet

摘要：深度卷积神经网络（CNN）在低水平的视觉上已经吸引很大兴趣。研究人员通常利用非常深度CNN来提高图像任务的性能。然而，增加网络的深度的同时浅层网络对深层的网络的影响减弱。

受这个启发，我们提出一个attention-guided denoising CNN (ADNet)。ADNet主要利用四个模块：一个稀疏块（SB），一个特征增强块（FEB）, 一个注意力机制（AB）和一个重构块(RB)来进行图像去噪。

特殊地，SB利用空洞卷积和普通卷积来实现稀疏机制并能在效率和性能上达到平衡。FEB利用长路径集成全局和局部的特征信息来增强去噪模型的表达能力。AB是被用于提取隐藏在复杂背景中的噪声信息。该模块对于复杂的噪声图像（真实噪声图像和盲噪声）是非常有效的。

同时，FEB和AB能共同提高训练噪声模型的效率和减少复杂度。

最后，一个RB通过获得的噪声映射和给出的噪声图像来重构干净的图像。扩展的实验显示所提出的ADNet就定性和定量估计而言在合成的噪声图像、真实的噪声图像和盲去噪方面都获得好的性能。ADNet的代码在https://github.com/hellloxiaotian/ADNet上是能被利用。

该文部分原理图、实验结果如下：

1.网络结构图

2.真实的噪声图像

3.图3中的真实噪声图像对应的热力图

4.不同方法在BSD68数据库上对于15，25和50的噪声级别的平均PSNR (dB)

5.不同方法在Set12数据库上对于15，25和50的噪声级别的平均PSNR (dB)

6.在彩色合成噪声图像的去噪与盲去噪结果

7.不同方法在真实噪声图像的去噪结果

8.不同方法的执行速度

9.不同方法的复杂度

10.在Kodak24上彩色噪声图像的去噪可视化效果

11.在McMaster上彩色噪声图像的去噪可视化效果

12.在BSD68上灰色噪声图像的去噪可视化效果

13.在Set12上灰色噪声图像的去噪可视化效果