运用生成对抗网络提高残差深度学习在图像去噪方面的效果文献综述

 2022-11-03 09:11
  1. 文献综述（或调研报告）：

1.DnCNN相关工作

用于图像去噪的深度神经网络如下。其中，MLP和TNRD的效果可以匹敌BM3D[1]。然而两者都只针对特定噪声级问题。通用的图像去噪CNN十分少见。

  • Jain和Seung提出使用卷积神经网络(concolutional neural networks,CNNs)实现图像去噪。他们认为CNNS与马尔科夫随机场(Markov Random Field,MRF)模型相比效果更佳[2]。
  • 多层感知器(Multi-layer perception,MLP)成功应用于图像去噪[3]。
  • 堆叠稀疏去噪自动编码器(stacked sparse denoising auto-encoders)去高斯噪声，达到了可与K-奇异值分解(K-singular value decomposition,K-SVD)匹敌的效果[4][5]。
  • 可训练的非线性反应扩散(trainable nonlinear reaction diffusioin,TNRD)模型通过展开一定数量的梯度下降推断步骤可以表达为一个前馈式深度网络(feed-forward deep network)[6]。

然而，BM3D等对图像先验的建模方法有两大缺点：测试阶段存在复杂的优化问题，使得去噪算法严重耗时。其次，模型非凸并包含一些人为选择的参数，因此尚有优化的空间。

虽然TNRD等方法已经从很大程度上兼顾了图像质量和运算速度两方面的提高，但它们的效果依旧受限于内部的特定先验形式。此外，模型中的参数是通过逐阶段的贪婪训练和整体联合精调(fine-tuning)而习得的，且包含了许多人为设计的参数。还有一个不可忽略的问题就是TNRD等只能针对特定噪声级训练特定模型，对未知噪声级的图像处理效果不理想。

DnCNN[9]改变思路，从对残差建模入手。并实现了对多项图像处理任务结果的提高。

2.DCGAN相关工作

本DCGAN高级架构建立在Goodfellow等人[7]的DCGAN基础上。

对于生成器网络，Ledig等人[8]在ResNets的基础上加入了upscale层，做图像的双倍升采样，但这一层不是必须的。

参考文献

  1. Dabov K, Foi A, Katkovnik V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on image processing, 2007, 16(8): 2080-2095.
  2. Jain V, Seung S. Natural image denoising with convolutional networks[C]//Advances in Neural Information Processing Systems. 2009: 769-776.
  3. Burger H C, Schuler C J, Harmeling S. Image denoising: Can plain neural networks compete with BM3D?[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 2392-2399.
  4. Xie J, Xu L, Chen E. Image denoising and inpainting with deep neural networks[C]//Advances in neural information processing systems. 2012: 341-349.
  5. Elad M, Aharon M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Transactions on Image processing, 2006, 15(12): 3736-3745.
  6. Chen Y, Pock T. Trainable nonlinear reaction diffusion: A flexible framework for fast and effective image restoration[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(6): 1256-1272.
  7. Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in neural information processing systems. 2014: 2672-2680.
  8. Ledig C, Theis L, Huszaacute;r F, et al. Photo-realistic single image super-resolution using a generative adversarial network[J]. arXiv preprint, 2016.
  9. Zhang K, Zuo W, Chen Y, et al. Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising[J]. IEEE Transactions on Image Processing, 2017, 26(7): 3142-3155.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章