本网站只做信息展示不提供在线交易/网站seo搜索引擎优化案例

主要内容来自于CCCF 2019年第11期

数字图像在数字化和传输过程中， 常常受到成像设备与外部环境噪声干扰等影响， 引入了不同类型的复杂噪声。 图像的去噪任务要求在尽可能去除图像中噪声的同时， 还应保持原有图像的边缘、 纹理等细节结构信息。对于普遍存在的图像模糊问题， 如何有效估计模糊过程、 处理噪声和估计误差等， 将对恢复高质量、清晰的图像至关重要。

Kai Zhang, Wangmeng Zuo, Yunjin Chen, Deyu Meng, and Lei Zhang. Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising. IEEE TIP 2017.

著名的 DnCNN 提出使用卷积通过端到端的残差学习， 从函数回归角度用卷积神经网络将噪声从噪声图像中分离出来， 取得了显著优于其他方法的去噪结果。

此后，一系列基于网络结构的改进工作被相继提出。REDNet (Residual Encoder-Decoder Network) 采用基于对称跳跃链接的深度卷积编码 - 解码框架， 使得在反向过程中， 信息可直接从顶层传递到底层 ；MemNet (Memory Network)进一步提出了一种长期记忆模型用于图像去噪 ； MWCNN (Multi-level Wavelet CNN) 则提出了一种多级小波 CNN 框架，通过将离散小波变换与卷积网络结合， 有利于恢复图像细节。上述方法通常需要针对不同噪声水平单独训练模型， 不仅缺乏灵活性， 更无法应用于退化过程更加复杂的真实噪声图像。

Kai Zhang, Wangmeng Zuo, and Lei Zhang. FFDNet: Toward a fast and flexible solution for CNN-based image denoising. IEEE TIP 2018.

FFDNet (Fast and Flexible Denoising Network) 将噪声图作为网络输入，是一种快速、灵活的去噪模型，可以同时处理不同的噪声水平及空间相关噪声。

Shi Guo, Zifei Yan, Kai Zhang, Wangmeng Zuo, and Lei Zhang. Toward convolutional blind denoising of real photographs. CVPR 2019.

在非盲去噪任务中， 需要人为设定噪声水平。然而， 实际相机成像过程中引入的噪声， 通常是与通道和空间相关的。 针对真实相机噪声图像的盲去噪任务仍然需要深入研究。卷积盲去噪网络 (CBDNet) 是一个结合噪声估计和非盲去噪模型的盲去噪方法。通过依赖信号依赖噪声和相机图像信号处理对噪声的影响， 将合成噪声与真实噪声图像一起用于网络训练，能够在真实噪声图像上实现良好的去噪效果和泛化能力。

在图像去噪等任务中， 卷积神经网络取得了巨大成功。 然而现有的模型大部分基于噪声 - 清晰图像对进行监督学习， 而在一些特定的应用中，如 CT、 MRI 等， 由于清晰图像匮乏且获取困难，基于无监督学习的方法展现出了广泛的应用前景。但现有基于无监督学习的卷积神经网络去噪方法仍处于尝试阶段， 在训练速度和复原性能方面还有待提升。 因此， 针对真实噪声图像， 探索自监督和无监督学习方法具有重要的意义。