CS-PCN: Context-Space Progressive Collaborative Network for Image Denoising

要約

現在、深層学習に基づく画像ノイズ除去手法は、文脈上の意味情報と空間的詳細を適切に調和させることができません。
これらの情報の最適化を考慮するために、この論文では、画像ノイズ除去のためのコンテキスト空間プログレッシブ協調ネットワーク (CS-PCN) を提案します。
CS-PCN は、コンテキスト マイニング シャム サブネットワーク (CM2S) と空間合成サブネットワーク (3S) で構成される多段階層アーキテクチャです。
CM2Sは、意味情報の前処理用のマルチレイヤ特徴プロセッサ(MLFP)、マルチスケール情報用のアテンション・エンコーダ・デコーダ(AED)、およびマルチコンブ・アテンション・コントローラ(MCAC)を順次接続することにより、豊富なマルチスケール・コンテキスト情報を抽出することを目的としています。
教師あり特徴融合の場合。
3S は、MLFP とシングルスケール カスケード ブロックを並行して画像の詳細を学習します。これにより、コンテキスト情報が維持されるだけでなく、相補的な空間情報も強調されます。
実験結果は、CS-PCN が合成および現実世界のノイズ除去において大幅なパフォーマンスの向上を達成することを示しています。

要約(オリジナル)

Currently, image-denoising methods based on deep learning cannot adequately reconcile contextual semantic information and spatial details. To take these information optimizations into consideration, in this paper, we propose a Context-Space Progressive Collaborative Network (CS-PCN) for image denoising. CS-PCN is a multi-stage hierarchical architecture composed of a context mining siamese sub-network (CM2S) and a space synthesis sub-network (3S). CM2S aims at extracting rich multi-scale contextual information by sequentially connecting multi-layer feature processors (MLFP) for semantic information pre-processing, attention encoder-decoders (AED) for multi-scale information, and multi-conv attention controllers (MCAC) for supervised feature fusion. 3S parallels MLFP and a single-scale cascading block to learn image details, which not only maintains the contextual information but also emphasizes the complementary spatial ones. Experimental results show that CS-PCN achieves significant performance improvement in synthetic and real-world noise removal.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google