哈尔滨工业大学的研究人员在国际知名人工智能期刊Neural Networks上2020年发表《Image denoising using deep CNN with batch renormalization》，该文已经被Neural Networks评为2019/2020年最高下载量之一的论文并推送到期刊的首页。

该文提出在硬件资源受限条件如何处理数据分步不均匀问题，同时首次提出利用双路网络提取互补信息思路来进行移除图像的噪声。

论文作者：

Chunwei Tian, Yong Xu, Wangmeng Zuo

论文链接：

https://www.sciencedirect.com/science/article/pii/S0893608019302394

代码链接：

https://github.com/hellloxiaotian/BRDNet

摘要：深度卷积神经网络(CNN)已经在图像去噪领域引起了极大的关注。然而，它有2个不足：(1)训练一个更深的去噪CNN是非常困难的，(2)大部分更深的CNN都会面遭受到性能饱和。在本文，我们设计一个batch-renormalization denoising network (BRDNet)。特别地，我们组合两个子网络来增加网络的宽度来获得更多特征。因为batch renormalization能融合到BRDNet，我们能解决内部协变量偏移和mini-batch难题。残差学习被用来促进网络训练。空洞卷积是被用来提取更多上下文信息来完成去噪任务。扩展的实验显示BRDNet超过先进的去噪方法。

BRDNet的代码被公布在http://www.yongxu.org/lunwen.html。