Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection

要約

タイトル：スキップコネクションを用いたデュアル畳み込みニューラルネットワークを使用した画像ブラインドノイズ除去

要約：
– 近年、深層畳み込みニューラルネットワークは画像ノイズ除去の分野で優れた性能を示している。
– しかしながら、より深いネットワークアーキテクチャになるほど、モデルパラメータの数が多くなり、訓練コストや推論時間が増加し、実用的なノイズ除去タスクに適用することが制限されている。
– 本論文では、ブラインドノイズ除去に適した新しいデュアル畳み込みニューラルネットワーク（DCBDNet）を提案する。
– 提案されたDCBDNetは、ノイズ推定ネットワークとデュアル畳み込みニューラルネットワーク（CNN）で構成されている。
– ノイズ推定ネットワークは、ノイズレベルマップの推定に使用され、提案モデルの柔軟性を向上させる。
– デュアルCNNには2つのブランチがあり、上部ブランチにはu形サブネットワークが設計され、下部には拡張畳み込みレイヤーが含まれる。
– スキップ接続は上部と下部の両方のブランチで使用される。
– 提案されたDCBDNetは、いくつかの合成および実世界の画像ノイズ除去ベンチマークデータセットで評価された。
– 実験結果は、提案されたDCBDNetが広範囲のレベルのガウスノイズ、空間的に変異するノイズ、実際のノイズを効果的に除去できることを示している。
– 単純なモデル構造でも、提案されたDCBDNetは、複雑なアーキテクチャを含む最先端の画像ノイズ除去モデルに比べて競争力のあるノイズ除去性能を得ることができる。
– つまり、ノイズ除去性能とモデル複雑性の好ましいトレードオフが実現されている。
– コードはhttps://github.com/WenCongWu/DCBDNetで提供されている。

要約(オリジナル)

In recent years, deep convolutional neural networks have shown fascinating performance in the field of image denoising. However, deeper network architectures are often accompanied with large numbers of model parameters, leading to high training cost and long inference time, which limits their application in practical denoising tasks. In this paper, we propose a novel dual convolutional blind denoising network with skip connection (DCBDNet), which is able to achieve a desirable balance between the denoising effect and network complexity. The proposed DCBDNet consists of a noise estimation network and a dual convolutional neural network (CNN). The noise estimation network is used to estimate the noise level map, which improves the flexibility of the proposed model. The dual CNN contains two branches: a u-shaped sub-network is designed for the upper branch, and the lower branch is composed of the dilated convolution layers. Skip connections between layers are utilized in both the upper and lower branches. The proposed DCBDNet was evaluated on several synthetic and real-world image denoising benchmark datasets. Experimental results have demonstrated that the proposed DCBDNet can effectively remove gaussian noise in a wide range of levels, spatially variant noise and real noise. With a simple model structure, our proposed DCBDNet still can obtain competitive denoising performance compared to the state-of-the-art image denoising models containing complex architectures. Namely, a favorable trade-off between denoising performance and model complexity is achieved. Codes are available at https://github.com/WenCongWu/DCBDNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI