NODE-ImgNet: a PDE-informed effective and robust model for image denoising

要約

画像ノイズ除去のための従来の偏微分方程式 (PDE) アプローチからインスピレーションを得て、ニューラル常微分方程式 (NODE) と畳み込みニューラル ネットワーク (CNN) ブロックを組み合わせた、NODE-ImgNet と呼ばれる新しいニューラル ネットワーク アーキテクチャを提案します。
NODE-ImgNet は本質的に PDE モデルであり、動的システムは PDE の明示的な仕様なしで暗黙的に学習されます。
これにより、学習プロセス中のアーチファクトの導入に関連する典型的な問題が自然に回避されます。
このような NODE 構造を呼び出すことにより、残差ネットワーク (ResNet) の連続バリアントと見なすこともでき、画像ノイズ除去における利点を継承し、私たちのモデルは精度とパラメーター効率の向上を実現します。
特に、私たちのモデルは、実際のノイズのある画像だけでなく、ガウス ノイズによって乱されたグレー画像やカラー画像のノイズ除去など、さまざまなシナリオで一貫した有効性を示し、小さな画像データセットからの学習における優位性を実証します。

要約(オリジナル)

Inspired by the traditional partial differential equation (PDE) approach for image denoising, we propose a novel neural network architecture, referred as NODE-ImgNet, that combines neural ordinary differential equations (NODEs) with convolutional neural network (CNN) blocks. NODE-ImgNet is intrinsically a PDE model, where the dynamic system is learned implicitly without the explicit specification of the PDE. This naturally circumvents the typical issues associated with introducing artifacts during the learning process. By invoking such a NODE structure, which can also be viewed as a continuous variant of a residual network (ResNet) and inherits its advantage in image denoising, our model achieves enhanced accuracy and parameter efficiency. In particular, our model exhibits consistent effectiveness in different scenarios, including denoising gray and color images perturbed by Gaussian noise, as well as real-noisy images, and demonstrates superiority in learning from small image datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google