DnRFD:用于图像去噪的递进式残差融合密集网络

TP391; 基于深度学习的去噪方法能够获得比传统方法更好的去噪效果,但是现有的深度学习去噪方法往往存在网络过深导致计算复杂度过大的问题.针对这个不足,提出一种用于去除高斯噪声的递进式残差融合密集网络(DnRFD).该网络首先采用密集块来学习图像中的噪声分布,在充分提取图像局部特征的同时大幅降低网络参数;然后利用递进策略将浅层卷积特征依次与深层特征短线连接形成残差融合网络,提取出更多针对噪声的全局特征;最后将各密集块的输出特征图进行融合后输入给重建输出层,得到最后的输出结果.实验结果表明,在高斯白噪声等级为25和50时,该网络都能获得较高的峰值信噪比均值和结构相似性均值,并且去噪平均时间是Dn...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 16; no. 12; pp. 2841 - 2850
Main Authors 曹义亲, 饶哲初, 朱志亮, 张红斌
Format Journal Article
LanguageChinese
Published 中国科学院 软件研究所,北京 100190 01.12.2022
华东交通大学 软件学院,南昌 330013%华东交通大学 软件学院,南昌 330013
Subjects
残差学习
密集块
图像去噪
深度学习
递进式残差融合
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2103030

Cover

More Information
Summary:TP391; 基于深度学习的去噪方法能够获得比传统方法更好的去噪效果,但是现有的深度学习去噪方法往往存在网络过深导致计算复杂度过大的问题.针对这个不足,提出一种用于去除高斯噪声的递进式残差融合密集网络(DnRFD).该网络首先采用密集块来学习图像中的噪声分布,在充分提取图像局部特征的同时大幅降低网络参数;然后利用递进策略将浅层卷积特征依次与深层特征短线连接形成残差融合网络,提取出更多针对噪声的全局特征;最后将各密集块的输出特征图进行融合后输入给重建输出层,得到最后的输出结果.实验结果表明,在高斯白噪声等级为25和50时,该网络都能获得较高的峰值信噪比均值和结构相似性均值,并且去噪平均时间是DnCNN方法的一半,是FFDNet方法的1/3.总的来说,该网络整体去噪性能优于相关对比算法,可有效去除图像中的高斯白噪声和自然噪声,同时能更好地还原图像边缘与纹理细节.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2103030