计算机应用研究

作者：陈晓军,李芬,徐少平,肖楠,程晓慧,

单位：南昌大学数学与计算机工程学院,南昌330031；

关键词：图像降噪,数据依赖,图像生成,噪声水平估计,初步降噪图像,内外图像先验,

基金：国家自然科学基金资助项目(62162043,61662044,62162042)；江西省研究生创新专项资助项目(YC2021-S145)；；

鉴于有监督神经网络降噪模型的数据依赖缺陷，提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先，利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中，所得到的降噪后图像（称为初步降噪图像）作为UDIG降噪模型的输入；其次，选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数；再次，以loss最小化为优化目标，通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像；最后，当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程，从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比，UDIG降噪模型在降噪效果上具有显著优势。

来源：2022年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第7期