【每周CV论文】深度学习图像降噪应该从阅读哪些文章开始
歡迎來到《每周CV論文推薦》。在這個專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統性完成學習，所以我們推薦的文章也必定是同一主題的。
圖像降噪是圖像處理領域中非常傳統和經典的問題，今天給大家推薦學習該領域值得讀的文章。
作者&編輯 | 言有三
1 基本CNN結構
圖像去噪模型的輸出是無噪聲的圖像，與輸入圖像大小相同，所以可以使用圖像分割一類的模型，即經典的基于跳層連接的卷積與反卷積對稱結構[1]，優化目標為逐個像素的歐式距離損失。
文章引用量：200+
推薦指數：?????
[1] Mao X, Shen C, Yang Y B. Image restoration using very deep convolutionalencoder-decoder networks with symmetric skip connections[C]//Advances in neuralinformation processing systems. 2016: 2802-2810.
2 殘差學習DnCNN
在信息處理領域中，學習信號的改變量往往比學習原始信號更加簡單，這被用于非常有效的殘差網絡。DnCNN模型[2]也借鑒了這個思路，它不是直接輸出去噪圖像，而是預測殘差圖像，即噪聲觀察和潛在的干凈圖像之間的差異。
文章引用量：1600+
推薦指數：?????
[2] Zhang K, Zuo W, Chen Y, et al. Beyond a gaussian denoiser: Residual learningof deep cnn for image denoising[J]. IEEE Transactions on Image Processing, 2017,26(7): 3142-3155.
3 噪聲水平估計CBDNet
前述兩個框架都是盲去噪聲模型，即不估計噪聲的水平，而CBDNet 模型[3]是一個真實圖像非盲去噪框架，使用了一個噪聲估計子網絡估計出噪聲水平，然后與原輸入圖一起輸入基于跳層連接的去噪模型。
文章引用量：50+
推薦指數：?????
[3] Guo S, Yan Z, Zhang K, et al. Toward convolutional blind denoising of realphotographs[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition. 2019: 1712-1722.
4 GAN合成噪聲樣本
對于有監督的模型來說，真實的有噪聲和無噪聲成對圖像的獲取是將深度學習應用于去噪問題的關鍵，但是仿真數據集不夠真實，因此基于生成對抗網絡GAN生成真實噪聲[4]是非常好的方式，值得重點關注。
文章引用量：80+
推薦指數：?????
[4] Chen J, Chen J, Chao H, et al. Image blind denoising with generative adversarial network based noise modeling[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 3155-3164.
5 自監督模型
獲取帶噪聲圖片和清晰圖片的成本非常高昂，那么是不是可以只使用含噪聲的圖像就訓練出好的去噪模型呢？Noise2Noise[5]就是這樣一個框架，使用同一個場景的多張含噪聲圖像就能獲得好的結果。類似的還有基于單張圖進行學習的Deep image prior，Noise2Void等，它們的原理都是基于統計先驗知識。
文章引用量：400+
推薦指數：?????
[5] Lehtinen J, Munkberg J, Hasselgren J, et al. Noise2noise: Learning image restoration without clean data[J]. arXiv preprint arXiv:1803.04189, 2018.
[6]?Lempitsky V, Vedaldi A, Ulyanov D, et al. Deep Image Prior[C]. computer vision and pattern recognition, 2018: 9446-9454.
[7] Krull A, Buchholz T, Jug F, et al. Noise2Void - Learning Denoising From Single Noisy Images[C]. computer vision and pattern recognition, 2019: 2129-2137.
[8]?Batson J, Royer L. Noise2Self: Blind Denoising by Self-Supervision[J]. arXiv: Computer Vision and Pattern Recognition, 2019.
6 圖像降噪的應用
當然了，圖像降噪這個問題我們不能僅僅局限在一些很底層和傳統的噪聲理解，它本身可以覆蓋更多的應用，比如在計算機視覺領域中研究比較多的去雨算法，在相關研究中會使用到特定的模型以及注意力機制等方法，感興趣的可以去關注。
文章引用量：20+
推薦指數：?????
[9]?Li S, Cao X, Araujo I B, et al. Single Image Deraining: A Comprehensive Benchmark Analysis[C]. computer vision and pattern recognition, 2019: 3838-3847.
7 文章解讀
關于圖像降噪相關文章的詳細解讀，在有三AI知識星球-網絡結構1000變-圖像增強標簽下有較多的文章，感興趣可以移步。
總結
本次我們介紹了深度學習圖像降噪領域值得讀的文章，當前研究難點在于自監督圖像降噪，真實復雜噪聲去除等方向，讀者可以繼續關注。
有三AI知識星球
知識星球是有三AI的付費內容社區，里面包括各領域的模型學習，數據集下載，公眾號的付費圖文原稿，技術總結PPT和視頻，知識問答，書籍下載，項目推薦，線下活動等資源，了解詳細請閱讀以下文章：
【雜談】有三AI知識星球一周年了！為什么公眾號+星球才是完整的？
【雜談】萬萬沒想到，有三還有個保密的‘朋友圈’，那里面都在弄啥！
轉載文章請后臺聯系
侵權必究
往期精選
【每周論文推薦】 初入深度學習CV領域必讀的幾篇文章
【每周CV論文推薦】 掌握殘差網絡必讀的10多篇文章
【每周CV論文推薦】 初學者必須精讀的5篇深度學習優化相關文章
【每周CV論文推薦】 CV領域中數據增強相關的論文推薦
【每周CV論文推薦】 初學高效率CNN模型設計應該讀的文章
【每周CV論文推薦】 初學目標檢測必須要讀的文章
【每周CV論文推薦】 初學深度學習圖像分割必須要讀的文章
【每周CV論文推薦】 初學GAN必須要讀的文章
【每周CV論文推薦】 深度學習人臉檢測入門必讀文章
【每周CV論文推薦】 初學深度學習人臉關鍵點檢測必讀文章
【每周CV論文推薦】 初學深度學習人臉識別和驗證必讀文章
【每周CV論文推薦】 初學深度學習人臉屬性分析必讀的文章
【每周CV論文推薦】 初學活體檢測與偽造人臉檢測必讀的文章
【每周CV論文推薦】 初學深度學習單張圖像三維人臉重建需要讀的文章
【每周CV論文推薦】 人臉識別剩下的難題：從遮擋，年齡，姿態，妝造到親屬關系，人臉攻擊
【每周CV論文推薦】換臉算法都有哪些經典的思路？
【每周CV論文】深度學習文本檢測與識別入門必讀文章
總結
以上是生活随笔為你收集整理的【每周CV论文】深度学习图像降噪应该从阅读哪些文章开始的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【直播】今晚(7月1日)京东直播，如何学
- 下一篇： 【杂谈】为什么你在有三AI看不到最新论文