基于GANs训练去噪深度神经网络实现了良好的图像盲去噪效果.doc
《基于GANs训练去噪深度神经网络实现了良好的图像盲去噪效果.doc》由会员分享,可在线阅读,更多相关《基于GANs训练去噪深度神经网络实现了良好的图像盲去噪效果.doc(4页珍藏版)》请在三一文库上搜索。
1、基于GANs训练去噪深度神经网络实现了良好的图像盲去噪效果从包含噪音的图像中去除未知噪音是一项充满挑战的工作,由于缺乏有效的训练数据使得这一领域面临许多问题。中山大学的研究人员们提出了一种“两步走”的框架,通过GANs训练输入图像的噪声分布来并利用生成的噪声样本生成了丰富的训练数据,并基于此训练了去噪深度神经网络实现了良好的图像盲去噪效果。几种图像盲去噪算法的表现,右下角为本文结果。一、图像盲去噪图像去噪是早期视觉的重要问题,也是许多计算机视觉任务不可或缺的预处理阶段。对于含有噪音的图像y=x+v来说,图像去噪的任务是尽可能的减小观测图像y中的噪声v,得到清晰的出去噪声的图像x。对于图像来说,
2、由于环境或者传感器的不确定性,噪声情况往往是未知的。例如手机在夜晚拍摄的照片就会受到这类噪声的影响。对于用户来说去除噪声对于提高用户体验也十分重要,这篇文章将主要探讨图像盲去噪的问题。在图像去噪领域,基于先验知识的方法(例如BM3D)可以利用去除算法估计出的未知噪音水平,这种方法通过输入图像直接为图像先验建模实现了很好的结果。但这类方法存在很多不足,首先图像先验大多数由人类经验给定,图像的完整特征难以被获取;其次这类方法大多只利用了输入图像的内部特征而没有利用任何外部特征,而这些特征是可以用于在盲去噪的过程中进行适配的,这意味还有很大的提高空间。除此之外只有很少几种方法研究了图像的盲去噪问题,
3、例如Multiscal等方法。这些方法将噪声模型估计和自适应去噪算法结合起来。其中噪声建模是十分关键的部分,但这些方法也仅仅使用了单张图像的内部信息。同时显式地定义模型噪声也限制了这些方法的表现。如果我们暂时先抛开盲去噪,那就不得不提到基于判别模型的去噪方法。这些方法主要基于深度卷积神经网络来实现,通过匹配好的训练数据学习出潜在的噪音模型,并得到了表现优异的深度去噪网络。值得一提的是基于CNNs的方法并不依赖于人类对于图像的先验经验,可以充分地利用神经网络的能力去探索图像,这打破了基于先验知识方法的限制并极大地提高了去噪算法的表现。通常情况下我们得到的图像包含着未知噪声,并且真实情况下的噪声情
4、况极为复杂。利用现有模型并不能得到很好的结果,同时缺乏配对的训练数据集使得判别方法不能直接用于图像盲去噪的问题中去。基于以上分析,研究人员提出了一个观点:是否可以利用包含噪声的图像构建出配对的训练数据集,那么图像盲去噪的问题就可以通过CNNs一样的判别模型来解决了。一种可能的解决办法是建立起一个能够为噪音图像建模的数据集并从中对噪音数据进行采样。高斯混合模型GMM是一种典型的方法,它被广泛用于噪声建模。但实验表明GMM通过学习生成的噪声与实际情况不是非常相似,这个问题需要更为强大的手段来为噪声建模。这时候生成对抗网络GANs进入了研究人员的视野,GANs包含生成器和判别器两个对抗训练的部分,生
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GANs 训练 深度 神经网络 实现 良好 图像 盲去噪 效果
链接地址:https://www.31doc.com/p-3410666.html