A Multi-Head Convolutional Neural Network With Multi-path Attention improves Image Denoising

要約

近年、畳み込みニューラルネットワーク（CNN）やアテンション機構が画像ノイズ除去に広く用いられ、満足のいく性能が得られている。しかし、これまでの研究では、ノイズの多い画像を受け取るために単一のヘッドを用いることがほとんどであり、抽出される特徴の豊かさが制限されている。そこで、本論文では、異なる回転角度で回転させた入力画像を受け取る複数ヘッドを持つCNN（MHCNN）を提案する。MHはMHCNNに回転した画像の特徴を同時に利用させ、ノイズを除去する。これらの特徴を効果的に統合するために、我々は新しいマルチパス注意機構（MPA）を提示する。画素レベル、チャンネルレベル、パッチレベルの特徴を扱う従来の注意機構とは異なり、MPAは画像レベルの特徴に注目する。MHCNNは、加法性白色ガウス雑音（AWGN）ノイズ除去や実環境の画像除去において、他の最先端CNNモデルを凌駕することを実験的に示している。そのピーク信号対雑音比（PSNR）の結果は、BRDNet、RIDNet、PAN-Net、CSANNなどの他のネットワークより高い。コードは https://github.com/JiaHongZ/MHCNN からアクセス可能です。

要約(オリジナル)

Recently, convolutional neural networks (CNNs) and attention mechanisms have been widely used in image denoising and achieved satisfactory performance. However, the previous works mostly use a single head to receive the noisy image, limiting the richness of extracted features. Therefore, a novel CNN with multiple heads (MH) named MHCNN is proposed in this paper, whose heads will receive the input images rotated by different rotation angles. MH makes MHCNN simultaneously utilize features of rotated images to remove noise. To integrate these features effectively, we present a novel multi-path attention mechanism (MPA). Unlike previous attention mechanisms that handle pixel-level, channel-level, or patch-level features, MPA focuses on features at the image level. Experiments show MHCNN surpasses other state-of-the-art CNN models on additive white Gaussian noise (AWGN) denoising and real-world image denoising. Its peak signal-to-noise ratio (PSNR) results are higher than other networks, such as BRDNet, RIDNet, PAN-Net, and CSANN. The code is accessible at https://github.com/JiaHongZ/MHCNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL