论文阅读-Learning Deep CNN Denoiser Prior for Image Restoration
2018-03-21 11:35
721 查看
Zhang K, Zuo W, Gu S, et al. Learning Deep CNN Denoiser Prior for Image Restoration[J]. 2017.
退化模型:
,其中H是退化矩阵,v是附加噪声。
图像恢复有三种典型的任务,在图像去噪中,H是单位矩阵(identity matrix); 图像去模糊中,H的模糊算子;图像超分辨中,H是下采样和模糊的复合算子。
从贝叶斯的角度分析,x的估计(
)可以通过MAP(最大后验估计)问题求解:
为了解决式(2),一般有两种方法,基于模型的优化方法和判别学习方法(discriminative learning methods),这两种方法都有各自的优缺点,如果能加以结合各自的优势,可能会提高效果。幸运的是,已有变量分离技术( variable splitting technique),如ADMM(alternating direction method of multipliers ),HQS(half quadratic splitting)方法,使得可以分别处理保真项(fidelity term)和正则项,其中正则项仅对应于去噪的子问题。因此,可以在基于模型的优化方法中使用discriminative denoisers。
本文的目标在于训练一系列快速高效的discriminative denoisers,并把它们用于基于模型优化的方法中,解决求逆问题。不使用MAP相关方法,而是使用CNN学习denoisers。
本文贡献:
训练出一系列CNN denoisers。使用变量分离技术,强大的denoisers可以为基于模型的优化方法带来图像先验。
学习到的CNN denoisers被作为一个模块部分插入基于模型的优化方法中,解决其他的求逆问题。
为了将denoiser先验加入式(2)的优化操作,可行的变量分离操作通常是将保真项和正则项分解,在HQS方法中,引入附加变量z,等式(2)可被改写为一个约束最优化问题:
3.学习深度CNN去噪器先验
CNN去噪器模型如上图,由七层组成,含三种blocks,分别是:第一个“dilated Convolution+Relu”,中间五个“dilated Convolution+BN+Relu”,最后一层“dilated Convolution”。其中空洞因子(dilated factors,3×3)被依次设置为,1,2,3,4,3,2,1。每一个中间层的feature maps个数均为64.
下面给出本网络一些重要的设计和训练细节。
使用dilated filter扩大感受野。在图像去噪任务中,背景信息对重构受损像素具有很大的作用。通过扩大CNN的感受野有两个方法,一个是增大卷积核尺寸,另一个是加深卷积深度。而增大卷积核尺寸,不仅引入了更多变量,也增加了计算负担,因此,最好的做法就是在现有的CNN设计中,使用深度更深的3×3卷积核。本文就是使用空洞卷积来平衡网络深度和感受野大小。空洞因子为s的空洞滤波器可以解释为尺寸为(2s+1)×(2s+1)的稀疏滤波器,其中只有9个位置非零。因此,对应于各层的感受野分为别:3,5,7,9,7,5,3,因此,所提出的网络卷感受野为33×33(问题:怎么得到的?).如果使用传统的3×3滤波器,网络深度一定(如7),网络将会有一个15×15的感受野;或者感受野一定(如33×33),网络深度将为16。为了展示本文网络融合了以上两种模型的优势,基于噪声水平25,在相同的训练参数下,我们训练了三个模型。
使用批标准化BN和残差学习加速训练。
使用小尺寸训练样本避免边界效应。
学习噪声水平间隔较小的特定的去噪模型。
1.引言
图像恢复(image restoration,IR) ——从退化模型中恢复出干净的图像x退化模型:
,其中H是退化矩阵,v是附加噪声。
图像恢复有三种典型的任务,在图像去噪中,H是单位矩阵(identity matrix); 图像去模糊中,H的模糊算子;图像超分辨中,H是下采样和模糊的复合算子。
从贝叶斯的角度分析,x的估计(
)可以通过MAP(最大后验估计)问题求解:
为了解决式(2),一般有两种方法,基于模型的优化方法和判别学习方法(discriminative learning methods),这两种方法都有各自的优缺点,如果能加以结合各自的优势,可能会提高效果。幸运的是,已有变量分离技术( variable splitting technique),如ADMM(alternating direction method of multipliers ),HQS(half quadratic splitting)方法,使得可以分别处理保真项(fidelity term)和正则项,其中正则项仅对应于去噪的子问题。因此,可以在基于模型的优化方法中使用discriminative denoisers。
本文的目标在于训练一系列快速高效的discriminative denoisers,并把它们用于基于模型优化的方法中,解决求逆问题。不使用MAP相关方法,而是使用CNN学习denoisers。
本文贡献:
训练出一系列CNN denoisers。使用变量分离技术,强大的denoisers可以为基于模型的优化方法带来图像先验。
学习到的CNN denoisers被作为一个模块部分插入基于模型的优化方法中,解决其他的求逆问题。
2.背景
HQS方法为了将denoiser先验加入式(2)的优化操作,可行的变量分离操作通常是将保真项和正则项分解,在HQS方法中,引入附加变量z,等式(2)可被改写为一个约束最优化问题:
3.学习深度CNN去噪器先验
CNN去噪器模型如上图,由七层组成,含三种blocks,分别是:第一个“dilated Convolution+Relu”,中间五个“dilated Convolution+BN+Relu”,最后一层“dilated Convolution”。其中空洞因子(dilated factors,3×3)被依次设置为,1,2,3,4,3,2,1。每一个中间层的feature maps个数均为64.
下面给出本网络一些重要的设计和训练细节。
使用dilated filter扩大感受野。在图像去噪任务中,背景信息对重构受损像素具有很大的作用。通过扩大CNN的感受野有两个方法,一个是增大卷积核尺寸,另一个是加深卷积深度。而增大卷积核尺寸,不仅引入了更多变量,也增加了计算负担,因此,最好的做法就是在现有的CNN设计中,使用深度更深的3×3卷积核。本文就是使用空洞卷积来平衡网络深度和感受野大小。空洞因子为s的空洞滤波器可以解释为尺寸为(2s+1)×(2s+1)的稀疏滤波器,其中只有9个位置非零。因此,对应于各层的感受野分为别:3,5,7,9,7,5,3,因此,所提出的网络卷感受野为33×33(问题:怎么得到的?).如果使用传统的3×3滤波器,网络深度一定(如7),网络将会有一个15×15的感受野;或者感受野一定(如33×33),网络深度将为16。为了展示本文网络融合了以上两种模型的优势,基于噪声水平25,在相同的训练参数下,我们训练了三个模型。
使用批标准化BN和残差学习加速训练。
使用小尺寸训练样本避免边界效应。
学习噪声水平间隔较小的特定的去噪模型。
相关文章推荐
- 看讲论文:Learning Deep CNN Denoiser Prior for Image Restoration
- 阅读论文:Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation
- Deep Residual Learning for Image Recognition--ResNet论文阅读笔记
- 经典文章系列: (ResNet) Deep Residual Learning for Image Recognition 论文阅读
- ResNet: Deep Residual Learning for Image Recognition 论文阅读
- 论文阅读学习 - ResNet - Deep Residual Learning for Image Recognition
- ResNet论文阅读---《Deep Residual Learning for Image Recognition》
- 《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》学习笔记
- 论文阅读理解 - Deep Learning of Binary Hash Codes for Fast Image Retrieval
- DL去燥之 DnCNNs:Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
- Deep Residual Learning for Image Recognition(ResNet)论文笔记
- 论文阅读:Joint Learning of Single-image and Cross-image Representations for Person Re-identification
- [深度学习]Deep Residual Learning for Image Recognition(ResNet,残差网络)阅读笔记
- 笔记-论文-PCANet A Simple Deep Learning Baseline for Image Classification?
- Deep Residual Learning for Image Recognition 阅读笔记
- 论文阅读之:Deep Meta Learning for Real-Time Visual Tracking based on Target-Specific Feature Space
- 【深度学习】论文导读:图像识别中的深度残差网络(Deep Residual Learning for Image Recognition)
- 论文阅读-《Learning Deep Features for Discriminative Localization》
- 【文献阅读】ResNet-Deep Residual Learning for Image Recognition--CVPR--2016
- 论文阅读笔记 | (ICCV 2017) Multi-Attention CNN for Fine-Grained Image Recognition:MA-CNN