Attention-Guided CNN for Image Denoising
發表期刊 ： Neural Networks 124 (2020) 117–129 https://doi.org/10.1016/j.neunet.2019.12.024
Paper and Code Sci-Hub 實時更新 : https://tool.yovisun.com/scihub/
Abstract： 提出一種注意力導向的去噪卷積神經網路（ADNet），主要包括稀疏塊（SB），特征增強塊（FEB），注意力塊（AB）和重構塊（RB）影像降噪，
SB通過使用膨脹和普通卷積來去除噪聲，從而在性能和效率之間進行權衡，
FEB通過很長的路徑集成了全域和區域特征資訊，以增強去噪模型的表達能力，
AB用于精細提取隱藏在復雜背景中的噪聲資訊，對于復雜的噪點影像（真實噪點影像）和系結去噪非常有效，此外，FEB與AB集成在一起，可提高效率并降低訓練降噪模型的復雜度，
RB旨在通過獲得的噪聲映射和給定的噪聲影像來構造清晰影像，
ADNet在三個任務（即合成和真實的噪點影像以及盲降噪）中均表現出色，
Contributions：（1）提出了由擴張卷積和普通卷積組成的SB，用于減小深度以提高去噪性能和效率，
（2）FEB使用長路徑融合來自淺層和深層的資訊，增強去噪模型的表達能力，
（3）AB用于從給定的噪點影像中深度挖掘隱藏在復雜背景中的噪聲資訊，例如真實的噪點影像和盲降噪，
（4）FEB與AB集成在一起，可以提高效率并降低訓練降噪模型的復雜度，
（5）在六個基準資料集上，ADNet在合成和真實噪點影像以及盲降噪方面均優于最新技術（2020），
As shown in Fig. 1，17層ADNet由四個塊組成，分別是SB，FEB，AB和RB， 12層稀疏塊SB用于增強影像去噪的性能和效率，
loss function：
SB：
12層SB包括兩種型別:dilated Conv+BN+ReLU和Conv+BN+ReLU，dilated Conv+BN+ReLU表示擴張率為2的卷積，BN 和激活函式ReLU 是相連的，另一種是 Conv，BN和ReLU 相連，dilated Conv+BN+ReLU位于SB的第二、第五、第九和第十二層（圖1中紫色），這些層可以視為高能點，Conv+BN+ReLU在第一、第三、第四、第六、第七、第八、第十和第十一層（圖1中綠色），為低能點，1–12層的卷積濾波器大小為3 × 3，第一層的輸入是c：輸入噪聲影像的通道數，2–12層的輸入和輸出為64，幾個高能量點和幾個低能量點的組合可以認為是稀疏性，稀疏塊的實作轉換為公式 6，D代表擴張卷積的函式，R和B分別代表ReLU和BN，CBR是Conv+BN+ReLU的函式，根據前面的描述，用下面的等式來表示SB，
O
S
B
=
R
(
B
(
D
(
C
B
R
(
C
B
R
(
R
(
B
(
D
(
C
B
R
(
C
B
R
(
C
B
R
(
R
(
B
(
D
(
C
B
R
(
C
B
R
(
R
(
B
(
D
(
C
B
R
(
I
N
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
（
6
）
O^{SB}= R(B(D(CBR(CBR(R(B(D(CBR(CBR(CBR(R(B(D(CBR(CBR(R(B(D (CBR(I^N)))))))))))))))))))) （6）
OSB=R(B(D(CBR(CBR(R(B(D(CBR(CBR(CBR(R(B(D(CBR(CBR(R(B(D(CBR(IN))))))))))))))))))))（6）
FEB：（深層網路可能會受到淺層的榷訓影響）
FEB通過一條長路徑充分利用全域和區域特征來挖掘更魯棒的特征，這與SB在處理給定噪聲影像方面是互補的，4層FEB由三種型別組成:Conv+BN+ReLU、Conv和Tanh，其中Tanh是activate function，Conv+BN+ReLU在13–15層，filter size=64×3×3×64，Conv用于第16層，ilter size=64×3×3×c，第17層使用concatenation operation來融合輸入的噪聲影像和第16層的輸出，以增強去噪模型的表示能力，因此，最終輸出尺寸為64×3×3× 2c，此外，Tanh用于將獲得的特征轉換成非線性，該程序如公式7 描述解釋，
O
F
E
B
=
T
(
C
a
t
(
C
(
C
B
R
(
C
B
R
(
C
B
R
(
O
S
B
)
)
)
)
,
I
N
)
)
（
7
）
O^{FEB}= T(Cat(C(CBR(CBR(CBR(O^{SB})))), I^N)) （7）
OFEB=T(Cat(C(CBR(CBR(CBR(OSB)))),IN))（7）其中C、Cat和T分別是卷積、級聯和Tanh的函式，在圖1中，Cat用于表示連接的功能，此外，OFEB也用于AB，
AB：（復雜的背景很容易隱藏影像和視頻應用的特征）
AB利用當前階段指導前一階段學習噪聲資訊，對于未知噪聲影像，即盲去噪和真實噪聲影像非常有用，1層AB僅包括一個Conv，其大小為2c × 1 × 1 × c，其中c是給定損壞影像的通道數，AB利用以下兩個步驟來實作注意機制，第一步使用來自第十七層的大小為1 × 1的卷積將獲得的特征壓縮成向量作為調整前一階段的權重，這也可以提高去噪效率，第二步利用獲得的權重乘以第十六層的輸出，以提取更顯著的噪聲特征，其程序可以轉換為以下公式，
Training datasets：
訓練資料集使用伯克利分割資料集(BSD)的400幅大小為180 × 180的影像和滑鐵盧勘探資料庫的3,859幅影像來訓練高斯合成去噪模型，影像的不同區域包含不同的詳細資訊，因此將訓練噪聲影像分成大小為50 × 50的1,348,480個小塊，有助于促進更魯棒的特征并提高訓練去噪模型的效率；缺點是噪音在現實世界中是變化的和復雜的，基于這個原因，使用來自基準資料集(徐，李，梁，張，&張，2018)的100幅尺寸為512 × 512的真實噪聲影像來訓練真實噪聲去噪模型，為了加快訓練速度，100幅真實噪聲影像也被分成211,600個大小為50 × 50的小塊，此外，上面的每個訓練影像從八種方式中隨機旋轉一種方式:原始影像，90♀，180♀，270♀，原始影像自身水平翻轉，90♀，自身水平翻轉，180♀，自身水平翻轉，270♀，自身水平翻轉，
測驗資料集：
通過6個資料集，即BSD68，Set12，CBSD68 ，Kodak24，McMaster和cc ，分別由68，12，68，24，18和15幅影像組成，來評估ADNet的去噪性能，BSD68和Set12是灰色影像，其他資料集是彩色影像，BSD68和CBSD68的場景是一樣的，真實噪聲的cc資料集是從三個不同的相機采集的，每個真實噪聲影像的大小是512 × 512，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/171954.html
標籤：java