A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks

要約

近年、深層学習アプローチ、特に畳み込みニューラル ネットワーク (CNN) を適用して、その優れたパフォーマンスにより、画像のノイズ除去の問題を解決することが前例のないほど急増しています。
ただし、CNN はほとんどがガウス ノイズに依存しており、ごま塩 (SAP) ノイズ リダクションに CNN を活用することが著しく不足しています。
この論文では、グレースケール画像とカラー画像の SAP ノイズを抑制するために、深い CNN モデル、つまり SeConvNet を提案しました。
この目的を達成するために、新しい選択的畳み込み (SeConv) ブロックを導入します。
SeConvNet は、さまざまな一般的なデータセットで広範な実験を使用して、最先端の SAP ノイズ除去手法と比較されます。
結果は、提案された SeConvNet モデルが SAP ノイズによって破損した画像を効果的に復元し、特に高および非常に高いノイズ密度で、定量的基準と視覚効果の両方で対応するすべてのモデルを凌駕することを示しています。

要約(オリジナル)

In recent years, there has been an unprecedented upsurge in applying deep learning approaches, specifically convolutional neural networks (CNNs), to solve image denoising problems, owing to their superior performance. However, CNNs mostly rely on Gaussian noise, and there is a conspicuous lack of exploiting CNNs for salt-and-pepper (SAP) noise reduction. In this paper, we proposed a deep CNN model, namely SeConvNet, to suppress SAP noise in gray-scale and color images. To meet this objective, we introduce a new selective convolutional (SeConv) block. SeConvNet is compared to state-of-the-art SAP denoising methods using extensive experiments on various common datasets. The results illustrate that the proposed SeConvNet model effectively restores images corrupted by SAP noise and surpasses all its counterparts at both quantitative criteria and visual effects, especially at high and very high noise densities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google