Considering Image Information and Self-similarity: A Compositional Denoising Network

要約

最近では、畳み込みニューラル ネットワーク (CNN) が画像のノイズ除去に広く使用されています。
既存の方法は残差学習の恩恵を受け、高いパフォーマンスを達成しました。
多くの研究が CNN のネットワーク アーキテクチャの最適化に注意を払ってきましたが、残差学習の制限は無視されてきました。
この論文は、その2つの制限を示唆しています。
1つは、残差学習がノイズの推定に焦点を当てているため、画像情報を見落としていることです。
もう 1 つは、画像の自己類似性が効果的に考慮されていないことです。
この論文では、画像情報パス (IIP) とノイズ推定パス (NEP) がそれぞれ 2 つの問題を解決する合成ノイズ除去ネットワーク (CDN) を提案します。
IIP は、イメージからイメージへの方法でトレーニングされ、イメージ情報を抽出します。
NEP では、トレーニングの観点から画像の自己相似性を利用します。
この類似性ベースのトレーニング方法は、特定の種類のノイズを含むさまざまな画像パッチに対して同様の推定ノイズ分布を出力するように NEP を制約します。
最後に、画像情報とノイズ分布情報を総合的に考慮して画像のノイズ除去を行います。
実験では、CDN が合成および実世界の画像ノイズ除去で最先端の結果を達成することが示されています。
コードは https://github.com/JiaHongZ/CDN で公開されます。

要約(オリジナル)

Recently, convolutional neural networks (CNNs) have been widely used in image denoising. Existing methods benefited from residual learning and achieved high performance. Much research has been paid attention to optimizing the network architecture of CNN but ignored the limitations of residual learning. This paper suggests two limitations of it. One is that residual learning focuses on estimating noise, thus overlooking the image information. The other is that the image self-similarity is not effectively considered. This paper proposes a compositional denoising network (CDN), whose image information path (IIP) and noise estimation path (NEP) will solve the two problems, respectively. IIP is trained by an image-to-image way to extract image information. For NEP, it utilizes the image self-similarity from the perspective of training. This similarity-based training method constrains NEP to output a similar estimated noise distribution for different image patches with a specific kind of noise. Finally, image information and noise distribution information will be comprehensively considered for image denoising. Experiments show that CDN achieves state-of-the-art results in synthetic and real-world image denoising. Our code will be released on https://github.com/JiaHongZ/CDN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google