За пределами гауссовского шумоподавителя: республивая (Residual) обучаемая глубокая сверточная нейронная сеть для удаления шума с изображений

Обучение дискриминативных моделей для удаления шума с изображений в последнее время привлекает значительное внимание благодаря высокой эффективности шумоподавления. В данной работе мы делаем шаг вперёд, исследуя построение прямого прохода (feed-forward) сверточных нейронных сетей для шумоподавления (DnCNN), чтобы интегрировать достижения в области очень глубоких архитектур, алгоритмов обучения и методов регуляризации для задачи удаления шума. В частности, для ускорения процесса обучения и повышения качества шумоподавления используются residual-обучение (обучение остаткам) и пакетная нормализация (batch normalization). В отличие от существующих дискриминативных моделей шумоподавления, которые обычно обучаются специально для аддитивного белого гауссовского шума на заданном уровне шума, наша модель DnCNN способна выполнять гауссовское шумоподавление при неизвестном уровне шума (т. е. blind Gaussian denoising). Благодаря стратегии residual-обучения DnCNN косвенно удаляет скрытое чистое изображение в скрытых слоях. Это свойство побудило нас обучить единую модель DnCNN для решения нескольких общих задач восстановления изображений, таких как гауссовское шумоподавление, сверхразрешение одиночного изображения (single-image super-resolution) и деблокинг JPEG-изображений. Наши обширные эксперименты показывают, что модель DnCNN не только демонстрирует высокую эффективность в ряде общих задач восстановления изображений, но также может быть эффективно реализована с использованием вычислений на GPU.