【星球知识卡片】深度学习图像降噪有哪些关键技术点,如何学习
1 基本的CNN降噪模型
图像去噪模型的输出是无噪声的图像,与输入图像大小相同,所以可以使用图像分割一类的模型,即经典的基于跳层连接的卷积与反卷积对称结构,优化目标为逐个像素的欧式距离损失。另外在信息处理领域中,学习信号的改变量往往比学习原始信号更加简单,这被用于非常有效的残差网络。DnCNN模型借鉴了这个思路,它不是直接输出去噪图像,而是预测残差图像,即噪声观察和潜在的干净图像之间的差异。
![](http://n4.ikafan.com/assetsj/blank.gif)
2 噪声数据生成
对于有监督的模型来说,真实的有噪声和无噪声成对图像的获取是将深度学习应用于去噪问题的关键,但是仿真数据集不够真实,因此基于生成对抗网络GAN生成真实噪声是非常好的方式,值得重点关注。
![](http://n4.ikafan.com/assetsj/blank.gif)
3 自监督模型
获取带噪声图片和清晰图片的成本非常高昂,那么是不是可以只使用含噪声的图像就训练出好的去噪模型呢?Noise2Noise就是这样一个框架,使用同一个场景的多张含噪声图像就能获得好的结果。类似的还有基于单张图进行学习的Deep image prior,Noise2Void等,它们的原理都是基于统计先验知识。
![](http://n4.ikafan.com/assetsj/blank.gif)
4 复杂降噪任务
当然了,图像降噪这个问题我们不能仅仅局限在一些很底层和传统的噪声理解,它本身可以覆盖更多的应用,比如在计算机视觉领域中研究比较多的去雨算法,在相关研究中会使用到特定的模型以及注意力机制等方法,感兴趣的可以去关注。
![](http://n4.ikafan.com/assetsj/blank.gif)
5 其他
总的来说,图像降噪有一些重要的研究方向,包括:
(1) 噪声水平的估计。
(2) 真实噪声的合成。
(3) 不同图像域噪声的处理。
(4) 复杂真实噪声的去除。
(5) 其他等。
以上内容,如果你不想自己学习,可以去我们知识星球的网络结构1000变板块—图像降噪阅读。
![](http://n4.ikafan.com/assetsj/blank.gif)
![](http://n4.ikafan.com/assetsj/blank.gif)
有三AI知识星球
知识星球是有三AI的付费内容社区,里面包括各领域的模型学习,数据集下载,公众号的付费图文原稿,技术总结PPT和视频,知识问答,书籍下载,项目推荐,线下活动等资源,了解详细请阅读以下文章:
转载文章请后台联系
侵权必究
![](http://n4.ikafan.com/assetsj/blank.gif)
![](http://n4.ikafan.com/assetsj/blank.gif)
![](http://n4.ikafan.com/assetsj/blank.gif)