python怎么实现图像去噪_基于深度卷积神经网络和跳跃连接的图像去噪和超分辨...

Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

作者：Xiao-Jiao Mao、Chunhua Shen等

本文提出了一个深度的全卷积编码-解码框架来解决去噪和超分辨之类的图像修复问题。网络由多层的卷积和反卷积组成，学习一个从受损图像到原始图像的端到端的映射。卷积层负责特征提取，捕获图像内容的抽象信息，同时消除噪声/损失。相对应，反卷积层用来恢复图像细节。

网络结构

在底层图像修复领域，由于池化操作会丢失有用的图像细节信息，因此，本网络没有用到池化层，是一个全卷积的网络结构。

卷积层的特征图和与之相应成镜像关系的反卷积层特征图进行跳跃连接，对应像素直接相加后经过非线性激活层然后传入下一层。

受 VGG 模型的启发，卷积核大小都设置为为 3*3。另外，由于网络结构本质上是一个像素级的预测，因此输入可以是任意大小的图片，输出和输入保持一致。

反卷积解码器

在全卷积的情况下，噪声一步步地被消除。经过每一个卷积层后，噪声等级减小，图像内容的细节也可能会随之丢失。在本篇论文提出的结构中，卷积层保留了主要的图像内容，而反卷积层则用来补偿细节信息，可以达到良好去噪效果的同时较好地保留图像内容。

另一方面，卷积层逐渐减小特征图的大小，反卷积层再逐渐增大特征图的大小，最终确保输入输出大小一致，也可以保证在移动端计算能力有限情况下的测试效率。

跳跃连接

正如残差网络的设计初衷，跳跃连接可以解决网络层数较深的情况下梯度消失的问题，同时有助于梯度的反向传播，加快训练过程。

通过传递卷积层的特征图到反卷积层，有助于解码器拥有更多图像细节信息，从而恢复出更好的干净图像。

针对输入噪声图像 X 和输出干净图像 Y，本网络致力于学习一个残差即 F(X) = Y - X。

讨论

实验 (a) 对比有无跳跃连接情况下 PSNR 随迭代次数的变化，可以看到有跳跃连接的情况下 PSNR 有显著提高。

实验 (b) 对比不同网络结构下 Loss 值随迭代次数的变化，可以看到在同等层数的网络下，有跳跃连接时 Loss 值相对要小很多。

实验 (c) 对比一般的残差网络(由一系列的残差块组成)和本文提出的网络情况下 PSNR 随迭代次数的变化，可以看到本文中提出的这种跳跃连接方式可以获得更好的 PSNR。

网络的大容量使得本文提出的结构能够处理不同噪声等级的图像去噪问题和不同尺寸参数的超分辨问题。

实验

因为本网络的卷积核仅仅是为了消除噪声，因此对图像内容的方向不敏感。所以，在测试的时候，我们可以旋转或者镜像翻转卷积核进行多次前向传播，然后对多次的输出取平均从而得到一个更平滑的结果。

图像去噪的实验结果对比

图像超分辨的实验结果对比

可以看到，RED-20, 10 层卷积 10 层反卷积的情况下已经取得了比传统方法好的效果，而且加深网络之后还可以取得更好的效果。

噪声等级越大，本文中提出的网络比其他网络的提高幅度就越大，也就是优势越明显。

python怎么实现图像去噪_基于深度卷积神经网络和跳跃连接的图像去噪和超分辨...相关推荐

基于深度卷积神经网络（D-CNN）的图像去噪方法
基于深度卷积神经网络的图像去噪方法摘要:图像去噪在图像处理中仍然是一个具有挑战性的问题.作者提出了一种基于深度卷积神经网络(DCNN)的图像去噪方法.作者设计的不同于其他基于学习的方法:一个DC ...
医学图像处理医学图像处理-卷积神经网络卷积神经网络_基于深度卷积神经网络的刀具磨损量自动提取方法...
⬆点击上方蓝色字体,关注<工具技术>官方微信~ 数控加工实质上是刀具和毛坯的相互运动,包含众多的不可控因素,在工件成型的过程中,刀具不可避免发生磨损.为了提高加工效率,实际加工中一般采用高 ...
基于深度卷积神经网络的ImageNet分类
基于深度卷积神经网络的ImageNet分类文章目录摘要一.介绍二.数据集三.结构 ReLU非线性局部反应归一化重叠集合整体架构数据扩张总结摘要我们训练了一个大型的深度卷积神经网 ...
基于深度卷积神经网络进行人脸识别的原理是什么？
原文:https://www.zhihu.com/question/60759296 基于深度卷积神经网络进行人脸识别的原理是什么? 这里的人脸识别包括但不限于:人脸检测,人脸对齐,身份验证识别,和表 ...
基于深度卷积神经网络的目标检测研究综述
基于深度卷积神经网络的目标检测研究综述人工智能技术与咨询来自<光学精密工程> ,作者范丽丽等摘要:作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究.目标检 ...
基于深度卷积神经网络的农作物病害识别
基于深度卷积神经网络的农作物病害识别 1.研究思路运用深度学习的方法,基于ResNet-50以及 InceptionV3.MobileNet等神经网络,并在这些基础结构上改进部分模型.该研究主要 ...
基于深度卷积神经网络的玉米病害识别
基于深度卷积神经网络的玉米病害识别 1.研究思路算法模型是先将图像预处理,应用Tripletloss双卷积神经网络结构学习玉米图像特征,再使用SIFT算法提取图像纹理细节,最后通Softmax对图像 ...
论文翻译：基于深度卷积神经网络的肉鸡粪便识别与分类
Recognition and Classification of Broiler Droppings Based on Deep Convolutional Neural Network 基于深度卷 ...
一种基于深度卷积神经网络（DCNN）用于于头发和面部皮肤实时分割方法
团队信息摘要现代的语义分割方法通常过于关注模型的准确性,因此引入繁琐的主干,这会带来沉重的计算负担和内存占用.为了解决这个问题,作者提出了一种基于深度卷积神经网络(DCNN)的高效分割方法,用于头 ...

python怎么实现图像去噪_基于深度卷积神经网络和跳跃连接的图像去噪和超分辨...

python怎么实现图像去噪_基于深度卷积神经网络和跳跃连接的图像去噪和超分辨...相关推荐

最新文章

热门文章