摘要
目前流行的基于卷积神经网络(CNN)的图像去噪方法是通过提取图像的特征来恢复干净的ground truth，获得较高的去噪精度。然而，这些方法可能会忽略干净图像的基本分布，在去噪结果中产生失真或伪影。本文提出了一种新的视角，将图像去噪作为一种分布学习与解缠任务。由于噪声图像的分布可以看作是干净图像和噪声的联合分布，去噪图像可以通过对干净对应的潜在表示进行处理来获得。本文还提出了一种基于分布学习的去噪框架。在此框架下，作者提出了一种不考虑干净分布和噪声分布的可逆去噪网络FDN，以及一种分布解缠方法。FDN学习噪声图像的分布，这不同于以往的基于CNN的判别映射。实验结果表明，FDN在分类图像和遥感图像上都能去除合成的加性高斯白噪声(AWGN)。此外，FDN在真实图像去噪方面的性能优于以往发表的方法，且参数更少，速度更快。
代码链接：https://github.com/Yang-Liu1082/FDN.git
作者的工作贡献如下。
作者重新思考图像去噪的任务，提出了一个基于分布学习的去噪框架。
提出了一种基于流的图像去噪神经网络(FDN)。与在这一领域广泛使用的基于特征学习的cnn不同，FDN学习的是噪声图像的分布，而不是低级特征。
作者提出了一种解缠的方法，从噪声分布中获得干净的地面真相的分布，而无需对噪声做任何假设或使用图像的先验。
作者在去除特定类别图像和遥感图像的合成噪声方面具有竞争力。对于真实的噪声，作者还通过在真实的SIDD数据集上获得新的最先进的结果来验证作者的去噪能力。
框架结构
基于分布学习与解纠缠的图像去噪框架。
作者的FDN网络架构。FDN由几个可逆的DownScale Flow block组成。
挤压操作根据棋盘模式降低潜在表示。
实验结果
对比竞争方法，在σ = 50的CelebA数据集上FDN的图像去噪结果。作者的网络产生的结果接近地面的真相，没有任何变形和人为因素。放大效果最好。
对CUB-200数据集σ = 50的去噪结果进行了比较。作者的方法去除伪影和噪声，提供干净的边缘和纹理。
在花数据集上的视觉比较σ = 50与最先进的方法。
结论
广泛使用的图像去噪神经网络是判别模型，通过学习图像的特征来学习噪声图像和干净图像之间的映射。然而，这些方法可能会忽略干净的地面真相的基础分布，导致降级的视觉结果与模糊区域或伪影。本文为图像去噪作为一种分布解缠任务提供了一个新的理解视角。由于噪声图像的分布可以看作是干净图像和噪声图像的联合分布，所以可以通过干净图像的潜在表示来得到去噪图像。提出了一种基于分布学习的去噪框架。作者还提出了一种新的去噪网络，FDN，基于归一化流程，没有添加任何假设干净的图像和噪声分布。FDN学习的是分布，而不是特征噪声图像，这是不同于以往的基于特征学习的网络。文中还介绍了一种分布解纠缠的去噪方法。实验结果验证了FDN对合成AWGN的分类图像去噪和遥感图像去噪的有效性。此外，FDN以更少的参数和更少的运行时间在真实图像去噪方面表现出了优越性。综上所述，本文为优化图像去噪方法提供了一个新的潜在方向。
论文链接：https://arxiv.org/pdf/2105.04746.pdf
在「深度学习爱好者」公众号后台回复：Pytorch常用函数手册，即可下载全网第一份Pytorch常用函数手册，涵盖Tensors介绍、基础函数介绍、数据处理函数、优化函数、CUDA编程、多线程处理等十四章章内容。
声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
