• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)的圖像去噪方法研究綜述

    2021-04-12 05:16:28賈金露趙玉卿錢育蓉

    劉 迪,賈金露,趙玉卿,錢育蓉,3

    1.新疆大學(xué) 軟件學(xué)院,烏魯木齊 830046

    2.新疆維吾爾自治區(qū)信號(hào)檢測與處理重點(diǎn)實(shí)驗(yàn)室,烏魯木齊 830046

    3.新疆大學(xué) 軟件工程重點(diǎn)實(shí)驗(yàn)室,烏魯木齊 830046

    圖像的去噪研究是計(jì)算機(jī)視覺領(lǐng)域的重要組成部分。近年來,基于深度學(xué)習(xí)(Deep Learning)的去噪方法被成功應(yīng)用于合成噪聲,但對(duì)真實(shí)噪聲的泛化性能較差[1-4]。

    真實(shí)噪聲是指由拍照設(shè)備在照明條件差、相機(jī)抖動(dòng)、物體運(yùn)動(dòng)、空間像素不對(duì)準(zhǔn)、顏色亮度不匹配等情況下獲取的圖像中存在的噪聲,具有噪聲水平未知、噪聲類型多樣、噪聲分布復(fù)雜且難以參數(shù)化等特點(diǎn)。而合成噪聲是指噪聲類型符合某種概率分布,且噪聲水平可自主設(shè)定,如高斯噪聲、椒鹽噪聲、斑點(diǎn)噪聲等[5]。目前,圖像去噪方法已廣泛應(yīng)用于遙感圖像處理、醫(yī)學(xué)影像分析、人臉和指紋識(shí)別等諸多領(lǐng)域[6]。

    圖像去噪方法主要分為:基于人工特征的傳統(tǒng)去噪方法和基于深度學(xué)習(xí)的去噪方法[7-8]。基于人工特征的傳統(tǒng)圖像去噪方法使用離散余弦變換[9]、小波變換[10]等修改變換系數(shù),用平均鄰域值[11]計(jì)算局部相似性。NLM[12]方法和BM3D[13]方法利用自相似補(bǔ)丁在圖像保真度和視覺質(zhì)量上取得突出效果?;谶@兩種方法,許多變體方法如SADCT[14]、SAPCA[15]、NLB[16]等方法被提出,這些方法在不同的變換域中尋找自相似補(bǔ)片來補(bǔ)全更多的邊緣信息。由于傳統(tǒng)去噪方法對(duì)圖像特征的編碼依賴于原始圖像的假設(shè),編碼特征在真實(shí)圖像中匹配度較低,降低了方法在實(shí)際應(yīng)用中的性能和靈活性,且方法的特征提取過程繁瑣、費(fèi)時(shí)、計(jì)算量大,不適用于處理具有復(fù)雜分布的真實(shí)噪聲。

    相對(duì)于傳統(tǒng)圖像去噪方法,基于深度學(xué)習(xí)的圖像去噪方法具有強(qiáng)大的學(xué)習(xí)能力,不僅可以擬合復(fù)雜噪聲分布,還節(jié)省了計(jì)算時(shí)間。早期深度學(xué)習(xí)圖像去噪方法使用強(qiáng)化學(xué)習(xí)技術(shù),如政策梯度(Policy Gradients)[17]和Q-學(xué)習(xí)(Q-learning)[18]訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)。但基于強(qiáng)化學(xué)習(xí)的方法計(jì)算量大,搜索效率低。深度學(xué)習(xí)去噪方法結(jié)合跳躍連接(Skip-connect)、注意力機(jī)制(Attention)、多尺度(Multi-scale)特征融合等方式提高網(wǎng)絡(luò)特征表達(dá)能力。但這些方法的網(wǎng)絡(luò)結(jié)構(gòu)較深,容易在訓(xùn)練過程中出現(xiàn)梯度爆炸或彌散問題。近年來,一些采用遷移學(xué)習(xí)(Transfer Learning)[19]和模型壓縮思想的去噪方法,如AINDNet[20]和MPI_DA_CNN[21]把已經(jīng)訓(xùn)練好的參數(shù)轉(zhuǎn)移到新的輕量模型上,從而加快并優(yōu)化學(xué)習(xí)效率,有效避免梯度問題的出現(xiàn)。此外,基于圖神經(jīng)網(wǎng)絡(luò)(GNN)的去噪方法,如GCDN[22]和GRDN[23]等,依據(jù)圖網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)在處理非結(jié)構(gòu)化數(shù)據(jù)方面,展現(xiàn)出很好的優(yōu)勢(shì)。

    本文針對(duì)目前基于深度學(xué)習(xí)的圖像去噪方法進(jìn)行總結(jié)和歸納。對(duì)圖像的去噪流程進(jìn)行概述;以深度學(xué)習(xí)基礎(chǔ)網(wǎng)絡(luò)為分類標(biāo)準(zhǔn),對(duì)近年來圖像去噪方法進(jìn)行較為系統(tǒng)、全面的研究和介紹,并對(duì)不同方法的優(yōu)點(diǎn)、局限性及適用場景等進(jìn)行對(duì)比和總結(jié);對(duì)圖像去噪方法常用的數(shù)據(jù)集、方法性能評(píng)價(jià)指標(biāo)進(jìn)行介紹;對(duì)同一數(shù)據(jù)集上不同方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析;最后對(duì)圖像去噪方法目前存在的主要問題及未來研究的方向進(jìn)行討論。

    1 圖像去噪概述

    由于受到電子設(shè)備自身的限制和外界環(huán)境的影響,圖像中常存在多種不同類型的噪聲,如高斯噪聲、泊松噪聲、椒鹽噪聲和斑點(diǎn)噪聲等[24],且不同類型噪聲的頻率和空間特性存在差異性。高效的提取和精準(zhǔn)的噪聲水平估計(jì)是設(shè)計(jì)合理去噪網(wǎng)絡(luò)結(jié)構(gòu)的前提。圖像去噪的研究內(nèi)容包括數(shù)據(jù)預(yù)處理、特征提取和去噪三部分,如圖1所示。

    圖1 圖像去噪流程圖

    (1)數(shù)據(jù)預(yù)處理。在去噪實(shí)驗(yàn)之前,獲取的數(shù)據(jù)集中常包含一些不可用數(shù)據(jù),如圖像格式不符,像素過高、亮度過低以及一些重復(fù)數(shù)據(jù)等。因此,需要采用圖像格式轉(zhuǎn)換、幾何校正、主成分分析等預(yù)處理操作為后續(xù)的去噪模型提供更多可用數(shù)據(jù)。

    (2)特征提取。通過卷積池化等方式提取圖像紋理細(xì)節(jié)特征,并將噪聲與背景信息分離。常用特征提取方法有尺度不變特征變換(SIFT)[25]、方向梯度直方圖(HOG)[26]和FAST 角點(diǎn)檢測[27]等。通過提取到的噪聲塊兒,可以對(duì)噪聲水平的高低做出初步估計(jì),精準(zhǔn)的噪聲水平估計(jì)是設(shè)計(jì)合理去噪網(wǎng)絡(luò)結(jié)構(gòu)的前提。常用方法有遞歸平均[28]、最小值跟蹤[29]和直方圖噪聲估計(jì)[30]等。

    (3)去噪模型。圖像去噪方法主要聚焦于去噪模型的設(shè)計(jì)和選擇。相對(duì)于傳統(tǒng)方法,基于深度學(xué)習(xí)的圖像去噪方法可以自主快速地提取淺層像素級(jí)特征和深層語義級(jí)特征,具有強(qiáng)大的表示學(xué)習(xí)能力和良好的去噪效果。而傳統(tǒng)基于模型的去噪方法提取的信息量較少,無法準(zhǔn)確擬合噪聲分布,去噪效果不甚理想。

    2 基于深度學(xué)習(xí)的圖像去噪方法

    2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的去噪方法

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)的基礎(chǔ)網(wǎng)絡(luò),通過不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)提升特征表達(dá)能力。如VGGNet[31]采用多個(gè)3×3卷積核堆疊的方式擴(kuò)大感受野,加快訓(xùn)練收斂速度;GoogLeNet[32]構(gòu)建基于Inception的模塊化網(wǎng)絡(luò),方便添加和修改網(wǎng)絡(luò)結(jié)構(gòu),并使用平均池化代替全連接,在訓(xùn)練速度和網(wǎng)絡(luò)性能上有很大提升。

    2.1.1 自監(jiān)督學(xué)習(xí)去噪

    目前,基于CNN的圖像去噪方法主要包括自監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)。如N2N[33]、N2V[34]、N2S[35]、S2S[36]以及VDN[37]等去噪方法利用像素之間的獨(dú)立性,以自監(jiān)督訓(xùn)練方式尋找目標(biāo)像素與輸入像素之間的映射關(guān)系,從而實(shí)現(xiàn)去噪任務(wù)。圖2表示的是N2V方法與傳統(tǒng)自監(jiān)督訓(xùn)練模型的網(wǎng)絡(luò)對(duì)比圖,其去噪過程可以用公式(1)和(2)來描述。

    圖2 自監(jiān)督網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比圖

    其中,公式(1)表示的是將CNN看作一個(gè)函數(shù),以像素i的感受野RF(i)作為輸入,并輸出目標(biāo)中心域的預(yù)測值;θ 表示CNN 的訓(xùn)練參數(shù)。公式(2)表示的是通過訓(xùn)練調(diào)整參數(shù)θ,以最小化成對(duì)訓(xùn)練數(shù)據(jù)(?,sij)之間的損失,L 代表損失函數(shù),表示的是對(duì)應(yīng)目標(biāo)像素的值。

    自監(jiān)督方式忽視了空間信息之間的依賴關(guān)系,提取的特征對(duì)噪聲的表達(dá)能力不足,且網(wǎng)絡(luò)訓(xùn)練參數(shù)的調(diào)整方式缺乏靈活性,不能很好地表示含噪圖像到清晰圖像之間的復(fù)雜映射關(guān)系。

    2.1.2 監(jiān)督學(xué)習(xí)去噪

    基于監(jiān)督學(xué)習(xí)的圖像去噪方法,如DnCNN-B[38]、FFDNet[39]和CBDNet[40]利用高斯混合模型對(duì)多種不同噪聲水平的樣本圖像進(jìn)行訓(xùn)練,并在真實(shí)噪聲圖像上驗(yàn)證以上方法的去噪效果。通常,用x=y ?R(y)表示恢復(fù)出的清晰圖,y 為輸入的噪聲圖,R(y)表示預(yù)測的噪聲,其去噪方法使用的損失函數(shù)如公式(3)所示:

    其中,Θ 表示的是網(wǎng)絡(luò)訓(xùn)練的參數(shù),{(yi,xi)}Ni=1 表示的是N 個(gè)成對(duì)訓(xùn)練樣本。通過網(wǎng)絡(luò)的訓(xùn)練,提取噪聲分布R(y),并與原始輸入的噪聲圖像做差值運(yùn)算,實(shí)現(xiàn)去噪任務(wù)。

    上述方法存在一個(gè)共同的問題,即對(duì)訓(xùn)練域外的噪聲圖像適應(yīng)性差。專家混合法(MoE)[41]對(duì)這一問題提供了很好的解決思路,給數(shù)據(jù)集中的每個(gè)代表性領(lǐng)域培訓(xùn)一名專家,對(duì)數(shù)據(jù)的可用性進(jìn)行評(píng)估和分類,并通過無監(jiān)督的聚類方法最小化MoE 損失,有效解決去噪方法對(duì)訓(xùn)練域外的數(shù)據(jù)適應(yīng)性差的難題,大大提高網(wǎng)絡(luò)的魯棒性和泛化能力。

    基于CNN的圖像去噪方法主要集中于卷積層對(duì)特征信息的提取和對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化,但同時(shí)也存在一定的局限性,主要體現(xiàn)在以下兩方面:一方面,單一的卷積神經(jīng)網(wǎng)絡(luò)沒有記憶功能,淺層像素級(jí)信息在池化過程中會(huì)大量丟失,導(dǎo)致去噪后的圖像仍帶有殘留噪聲;另一方面,增加卷積層數(shù)量來提升特征表達(dá)能力的同時(shí)也帶來了參數(shù)量增加、計(jì)算量加大和時(shí)間消耗多等問題,且網(wǎng)絡(luò)更加復(fù)雜,訓(xùn)練難度增加。

    2.2 基于殘差網(wǎng)絡(luò)的去噪方法

    CNN中淺層網(wǎng)絡(luò)可以獲取像素級(jí)特征,深層網(wǎng)絡(luò)獲取的更多是語義特征。語義信息在識(shí)別、分類等任務(wù)中非常重要,但對(duì)去噪、超分辨率等任務(wù)來說,淺層的像素級(jí)特征更為關(guān)鍵。因此,為充分利用淺層特征信息,許多基于殘差網(wǎng)絡(luò)(ResNet)的去噪方法被設(shè)計(jì)出來[42-43]。

    其去噪思想可以用以下公式描述:如公式(4),f0表示的是卷積層對(duì)輸入噪聲圖像提取的初始特征,Me(·)表示的是卷積層的特征提取操作,并進(jìn)一步對(duì)殘差分量上的特征進(jìn)行學(xué)習(xí);如公式(5),fr是學(xué)習(xí)的特征,Mfl(·)表示殘差學(xué)習(xí);公式(6)的Mr(·)表示對(duì)學(xué)習(xí)到的殘差信息進(jìn)行重構(gòu)操作,并輸出去噪后的圖像?。

    Mei等人[44]通過分層提取方式充分利用淺層像素級(jí)特征,同時(shí)利用自相似性在像素特征和語義特征之間取得平衡,以保留更多圖像細(xì)節(jié)。Kim等人[23]為了增強(qiáng)深層網(wǎng)絡(luò)的訓(xùn)練效果,使用卷積注意力模塊(CBAM)[45]專注于學(xué)習(xí)噪聲圖像和清晰圖像之間的差異性,CBAM既考慮不同通道像素的重要性,又考慮了同一通道不同位置像素的重要性,相比于SENet只關(guān)注通道的注意力機(jī)制可以取得更好的效果?;跉埐罹W(wǎng)絡(luò)思想設(shè)計(jì)的去噪方法性能較好,但頻繁使用淺層信息也會(huì)使網(wǎng)絡(luò)容易出現(xiàn)過擬合現(xiàn)象。Cha等人[46]針對(duì)該問題利用數(shù)據(jù)增強(qiáng)和L2-SP(起點(diǎn))正則化[47]方式自適應(yīng)微調(diào)網(wǎng)絡(luò)參數(shù),從而最大限度防止過擬合。

    目前,圖像去噪方法常以普通RGB 圖像作為訓(xùn)練樣本,沒有考慮到傳感器設(shè)備自身在圖像信號(hào)處理(Image Signal Processor,ISP)過程對(duì)圖像質(zhì)量的影響,但RGB 圖像與成像設(shè)備獲取的原始RAW 圖之間始終存在偏差,導(dǎo)致噪聲建模方式不夠合理、準(zhǔn)確。因此,Zamir 等人[48]設(shè)計(jì)循環(huán)鏡像轉(zhuǎn)換方法CycleISP,該方法包括兩個(gè)分支:RGB2RAW 和RAW2RGB,網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。RGB2RAW 分支的任務(wù)是將RGB 彩色圖像轉(zhuǎn)換成原始成像設(shè)備拍攝的RAW 圖,Noise injectionk控制器負(fù)責(zé)給RAW 圖添加噪聲;RAW2RGB 分支的任務(wù)是將帶噪聲的RAW圖轉(zhuǎn)換成普通的RGB圖像,且圖中色彩校正單元(Color Correction)對(duì)提高樣本數(shù)據(jù)的真實(shí)性提供巨大幫助,該方法可以靈活合成更多真實(shí)噪聲成對(duì)訓(xùn)練樣本。

    基于ResNet 的圖像去噪方法通過最大化信息流,實(shí)現(xiàn)長距離空間相關(guān)性的計(jì)算,具有相對(duì)較好特征表達(dá)能力,但這類方法存在的一個(gè)主要問題是:殘差連接的多次使用容易導(dǎo)致網(wǎng)絡(luò)出現(xiàn)過擬合的現(xiàn)象。

    2.3 基于生成對(duì)抗網(wǎng)絡(luò)的去噪方法

    基于CNN和ResNet的去噪方法大多需要無噪聲的清晰圖像和有噪聲圖像作為成對(duì)訓(xùn)練樣本進(jìn)行監(jiān)督學(xué)習(xí)。但在實(shí)際應(yīng)用中,成對(duì)訓(xùn)練樣本的獲取是一項(xiàng)難題。生成對(duì)抗網(wǎng)絡(luò)(GAN)因其具有很強(qiáng)的學(xué)習(xí)能力[49-50],通過對(duì)抗學(xué)習(xí)訓(xùn)練策略,可以得到逼真的噪聲圖,在一定程度上緩解了成對(duì)訓(xùn)練樣本不足的問題。生成對(duì)抗網(wǎng)絡(luò)在訓(xùn)練過程中需要計(jì)算生成器(G)和鑒別器(D)兩部分損失,目標(biāo)函數(shù)如公式(7)所示:

    圖3 CycleISP網(wǎng)絡(luò)結(jié)構(gòu)圖

    其中,E(·)表示分布函數(shù)的期望值,Pdata(x)代表真實(shí)樣本的分布,Pnoise(z)表示低維噪聲分布,對(duì)數(shù)log 的底a的取值為大于1的常數(shù),大多數(shù)情況下為e。

    Chen 等人[51]利用GAN 對(duì)真實(shí)噪聲圖像上提取的噪聲信息進(jìn)行建模,并將生成器隨機(jī)產(chǎn)生的噪聲塊與原始清晰圖像一起合成新的噪聲圖像。SRGAN方法[52]和ADGAN 方法[53]也利用相同的思想構(gòu)造成對(duì)的訓(xùn)練數(shù)據(jù)。與GCBD不同的是,ADGAN方法在對(duì)噪聲建模時(shí)引入特征金字塔注意網(wǎng)絡(luò)提高網(wǎng)絡(luò)特征提取能力。與CycleISP 方法考慮的問題一樣,Isola 等人[49]針對(duì)傳感器對(duì)信號(hào)的損害問題提出解決辦法:從傳感器原始數(shù)據(jù)中選擇5 個(gè)不同頻率下的特征信息作為去噪網(wǎng)絡(luò)(Denoiser Network)的輸入,并減少對(duì)密集型濾波器的使用,降低了計(jì)算量,提升了計(jì)算效率。此外,該方法使用有監(jiān)督和無監(jiān)督相互結(jié)合的訓(xùn)練方式提升網(wǎng)絡(luò)的穩(wěn)健性和魯棒性。

    基于GAN的圖像去噪方法通過生成器與判別器之間的對(duì)抗學(xué)習(xí)策略擬合數(shù)據(jù)分布,局限性主要體現(xiàn)在:一方面,生成模型的分布沒有顯示表達(dá),可解釋性差;另一方面,生成器和鑒別器需要做到同步更新參數(shù),很難生成離散數(shù)據(jù),而且目前為止,達(dá)到納什均衡的方法還沒找到,網(wǎng)絡(luò)訓(xùn)練不夠穩(wěn)定。

    2.4 基于圖神經(jīng)網(wǎng)絡(luò)的去噪方法

    圖神經(jīng)網(wǎng)絡(luò)(GNN)適合處理非結(jié)構(gòu)化或比較復(fù)雜的數(shù)據(jù)。Valsesia等人[22]利用卷積算子設(shè)計(jì)基于圖形卷積(GCN)[54]的去噪方法GCDN,該方法通過引入邊緣注意力機(jī)制(Edge Attention)減少邊緣信息的丟失,并采用3×3、5×5 和7×7 大小的濾波器進(jìn)行多尺度分層提取特征,提高對(duì)特征信息的利用率。

    GNN 的圖形卷積(GCN)過程如圖4 所示,GCN 在構(gòu)造特征空間的K 近鄰圖的時(shí)候,對(duì)于每個(gè)像素i,需要計(jì)算其特征向量與搜索窗口內(nèi)像素的歐氏距離。在距離像素i 最小K 個(gè)像素之間通過邊緣條件卷積(ECC)聚合的方式繪制圖形,其非局部聚合的計(jì)算過程如公式(8)所示:

    其中,F(xiàn)wll表示的是一個(gè)全連接網(wǎng)絡(luò),以邊標(biāo)簽作為輸入,并輸出相應(yīng)的權(quán)重矩陣,wl表示網(wǎng)絡(luò)Fl的權(quán)重參數(shù),dl,j→i=Hlj-Hli表示邊緣標(biāo)記函數(shù),常定義為兩個(gè)特征向量之間的差,Sli是節(jié)點(diǎn)i 的鄰域集,γl,j→i是邊緣注意項(xiàng),Hl+1,NLi則表示對(duì)于節(jié)點(diǎn)i 的卷積層輸出。

    圖4 GCN網(wǎng)絡(luò)結(jié)構(gòu)圖

    GCN的網(wǎng)絡(luò)化拓?fù)浣Y(jié)構(gòu)對(duì)密集噪聲分布具有很好的擬合效果,但因其拓?fù)浣Y(jié)構(gòu)復(fù)雜、節(jié)點(diǎn)順序動(dòng)態(tài)變化,導(dǎo)致訓(xùn)練結(jié)果不穩(wěn)定,且當(dāng)數(shù)據(jù)類型單一時(shí),容易過擬合。對(duì)圖網(wǎng)絡(luò)中的過擬合問題,Zeng等人[55]將圖拉普拉斯正則化(Graph Laplacian Regularization)集成到深度學(xué)習(xí)框架中,實(shí)現(xiàn)了去噪方法對(duì)訓(xùn)練域外數(shù)據(jù)的高度適應(yīng)性。Behjati 等人[56]則利用高維特征之間的相似不變性動(dòng)態(tài)構(gòu)建具有復(fù)雜特征層次的鄰域圖去擬合噪聲分布,該方法在激光雷達(dá)掃描產(chǎn)生的結(jié)構(gòu)化噪聲上也展現(xiàn)了很好的魯棒性。

    對(duì)于利用GNN的網(wǎng)絡(luò)化拓?fù)浣Y(jié)構(gòu)擬合數(shù)據(jù)分布的去噪方法而言,其局限性體現(xiàn)在:不穩(wěn)定的動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)會(huì)降低特征的表達(dá)能力,對(duì)去噪性能產(chǎn)生負(fù)面影響;圖網(wǎng)絡(luò)不能像CNN 那樣分層提取局部和全局特征,對(duì)鄰域局部信息的利用率會(huì)受到拓?fù)浣Y(jié)構(gòu)不穩(wěn)定性的直接影響。

    表1 從方法的優(yōu)點(diǎn)、局限性、適用噪聲和適用場景多個(gè)角度,對(duì)基于深度學(xué)習(xí)的圖像去噪方法進(jìn)行詳細(xì)的總結(jié)和概括。

    近年來,在CNN、ResNet 和GAN 網(wǎng)絡(luò)的基礎(chǔ)上一系列結(jié)合多尺度特征融合、遷移學(xué)習(xí)和雙任務(wù)的改進(jìn)方法不斷涌現(xiàn)。

    (1)結(jié)合多尺度特征融合的去噪方法

    單一網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練出的模型提取到的特征有限,不同尺度間的特征融合有利于提升噪聲的表達(dá)能力,且在特征融合時(shí)可以結(jié)合先驗(yàn)信息,準(zhǔn)確把握特征提取對(duì)象[57],多尺度融合的方式多種多樣,如Jia等人[58]通過求解分?jǐn)?shù)最優(yōu)控制問題(FOC)和對(duì)分?jǐn)?shù)階微分方程(FODE)進(jìn)行顯式離散化構(gòu)造,增強(qiáng)網(wǎng)絡(luò)在前向傳播和反向傳播的過程中的長期記憶力。Liu等人[59]則設(shè)計(jì)密集連接的編解碼器將不同尺度的特征連接起來,充分利用上下文信息,且密集連接加深了網(wǎng)絡(luò),減少了梯度消失的問題。在此基礎(chǔ)上,Wang等人[60]引入自注意模塊(Self-Attention)獲取空間和通道間的依賴關(guān)系,既不增加參數(shù)量又不會(huì)降低信道維度,增強(qiáng)了特征融合對(duì)每個(gè)通道的適應(yīng)能力。此外,金字塔模式的去噪網(wǎng)絡(luò)[61],可以通過下采樣操作,實(shí)現(xiàn)對(duì)原始、局部和全局不同尺度范圍內(nèi)信息的融合。

    (2)雙任務(wù)圖像去噪方法

    圖像去噪需要平衡兩個(gè)互斥的目標(biāo),即去除噪聲和保留真實(shí)細(xì)節(jié)。如Wang 等人[62]提出的GAN 與CNN 相結(jié)合的雙任務(wù)去噪網(wǎng)絡(luò)。其中GAN 用于去除噪聲,CNN用于恢復(fù)原始圖像細(xì)節(jié),且兩個(gè)子網(wǎng)交替訓(xùn)練,通過自適應(yīng)調(diào)節(jié)參數(shù)保留更多細(xì)節(jié)并去除噪聲。不同于上述方法,Tian等人[63]采用重建思想,設(shè)計(jì)由4個(gè)模塊構(gòu)成的DudeNet,包括特征提取、增強(qiáng)、壓縮和重構(gòu)。數(shù)據(jù)增強(qiáng)提升了特征表達(dá)能力,數(shù)據(jù)壓縮有利于減少冗余信息,降低計(jì)算成本和減少內(nèi)存消耗。雙任務(wù)圖像去噪這類方法的顯著優(yōu)勢(shì)是能夠在互斥目標(biāo)之間尋找平衡點(diǎn),在解決平滑、模糊、偽影等問題上提供較大幫助。

    表1 基于深度學(xué)習(xí)的圖像去噪方法對(duì)比總結(jié)

    (3)遷移學(xué)習(xí)圖像去噪方法

    對(duì)于圖像去噪問題,一方面因真實(shí)圖像數(shù)據(jù)集數(shù)量少、類型單一,不足以訓(xùn)練CNN,而CNN 也容易出現(xiàn)過擬合問題;另一方面,用高斯噪聲訓(xùn)練的CNN,因?yàn)檫^度擬合高斯分布,不能很好地適用真實(shí)含噪圖像。而遷移學(xué)習(xí)去噪方法不僅能以更快的速度收斂并獲得良好去噪性能,還可以通過自適應(yīng)調(diào)整參數(shù)方式節(jié)省大量內(nèi)存,如Kim 等人[20]提出的去噪網(wǎng)絡(luò)AINDNet,先從合成噪聲圖像中學(xué)習(xí)一般不變信息,再從連續(xù)小波域中學(xué)習(xí)真實(shí)圖像的特定領(lǐng)域信息,從而將去噪任務(wù)從合成噪聲轉(zhuǎn)移到真實(shí)噪聲,促進(jìn)去噪方法性能的提升。

    改進(jìn)的圖像去噪方法在合成噪聲、真實(shí)噪聲上都取得了很好的去噪效果,但仍然存在一定的局限性,如網(wǎng)絡(luò)模型對(duì)真實(shí)噪聲擬合的準(zhǔn)確率不足,難以去除密集分布噪聲;對(duì)遷移學(xué)習(xí)圖像去噪方法,網(wǎng)絡(luò)量化的性能會(huì)固有的受到全精度模型的限制;且在卷積特征提取的過程中,由于去噪任務(wù)和細(xì)節(jié)保留任務(wù)的平衡關(guān)系難以控制,許多噪聲會(huì)被網(wǎng)絡(luò)誤認(rèn)為是圖像中的細(xì)節(jié),導(dǎo)致噪聲殘留、去噪效果不佳等。

    綜上所述,基于不同網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)的圖像去噪算法在處理去噪問題時(shí)側(cè)重點(diǎn)不同。基于CNN和ResNet的圖像去噪方法側(cè)重于通過最大化信息流,實(shí)現(xiàn)長距離相關(guān)性的計(jì)算,提升對(duì)高低頻信息的利用率和對(duì)噪聲的表達(dá)能力?;贕AN的圖像去噪方法則側(cè)重于擴(kuò)充圖像數(shù)據(jù)集,通過增加訓(xùn)練樣本數(shù)量提升網(wǎng)絡(luò)去噪性能。這類方法的缺點(diǎn)如表1所示,主要受限性網(wǎng)絡(luò)本身的訓(xùn)練方式。而GNN 主要用于處理非結(jié)構(gòu)化數(shù)據(jù),由于真實(shí)噪聲分布復(fù)雜、類型多樣、難以參數(shù)化等特點(diǎn),導(dǎo)致傳統(tǒng)卷積特征提取方式難以滿足實(shí)際應(yīng)用的需求,因而促進(jìn)了GNN在圖像去噪任務(wù)中的應(yīng)用。但因圖網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)較為復(fù)雜、大小不可控等因素使得網(wǎng)絡(luò)訓(xùn)練效果不穩(wěn)定。因此,在研究圖像去噪任務(wù)時(shí),需要根據(jù)當(dāng)下圖像去噪領(lǐng)域存在的問題以及要解決的問題,有針對(duì)性的選擇基礎(chǔ)網(wǎng)絡(luò)。

    3 數(shù)據(jù)集及評(píng)價(jià)指標(biāo)

    3.1 數(shù)據(jù)集

    3.1.1 訓(xùn)練數(shù)據(jù)集

    目前,真實(shí)圖像數(shù)據(jù)集的獲取方式主要分為三種:(1)在現(xiàn)有圖像數(shù)據(jù)集中選擇高質(zhì)量的清晰圖像,對(duì)其處理合成噪聲圖像;(2)針對(duì)同一場景,拍攝低ISO 作為清晰圖,拍攝高ISO 作為對(duì)應(yīng)噪聲圖;(3)對(duì)同一場景連續(xù)拍攝多次,經(jīng)過加權(quán)平均合成噪聲圖像對(duì)應(yīng)的Ground Truth 圖像。常用的真實(shí)圖像數(shù)據(jù)集主要有RENOIR[64]、DND[65]、SSID[66]和PolyU[67]。數(shù)據(jù)集屬性介紹見表2。

    RENOIR數(shù)據(jù)集用3個(gè)不同的相機(jī)拍攝120個(gè)暗光場景,每個(gè)場景包括2 張?jiān)肼晥D像和2 張Ground Truth圖像,不同的場景圖像分辨率大小不一。DND 數(shù)據(jù)集用4個(gè)不同的相機(jī)拍攝了50個(gè)場景,每個(gè)場景包括清晰圖像、噪聲圖像和Ground Truth 圖像,圖像分辨率大小為512×512。SSID 數(shù)據(jù)集用5 個(gè)不同的相機(jī)拍攝10 個(gè)場景,每個(gè)場景包括噪聲圖像和Ground Truth 圖像。PolyU數(shù)據(jù)集用5個(gè)不同的相機(jī)拍攝了40個(gè)場景,每個(gè)場景包括Ground truth圖像和真實(shí)噪聲圖像,圖像分辨率大小為512×512。

    表2 圖像去噪常用真實(shí)圖像訓(xùn)練數(shù)據(jù)集

    3.1.2 測試數(shù)據(jù)集

    圖像去噪領(lǐng)域常用的測試集主要分為灰度圖像和彩色圖像兩大類,如表3所示。灰度圖像數(shù)據(jù)集主要有BSD68[68]、Set12[69];彩色圖像數(shù)據(jù)集主要有CBSD68[68]、Kodak24[70]、McMaster[71]、CSet12[69]。其中BSD68 和Kodak24主要是室外場景圖像,BSD68包括12張建筑物,30張貓、虎、馬、象等動(dòng)物,11張人物,4張花草植物和11張其他室外場景圖像,Kodak24則多以建筑物、天空、大海為視角。McMaster主要是室內(nèi)場景,包括5張植物花草,5張水果蔬菜和其他如沙發(fā)、墻壁等室內(nèi)場景圖像。CBSD68與BSD68場景圖像相同,是BSD68對(duì)應(yīng)的彩色圖像數(shù)據(jù)集。Set12 中有9 張室外場景和3 張室內(nèi)場景圖像,包括5 張人物,3 張動(dòng)物和其他如房子、輪船等室外場景圖像。CSet12數(shù)據(jù)集是Set12對(duì)應(yīng)的彩色圖像。

    表3 圖像去噪常用測試數(shù)據(jù)集

    3.2 評(píng)價(jià)指標(biāo)

    去噪方法的性能評(píng)價(jià)常從PSNR和SSIM兩方面進(jìn)行定量分析評(píng)估[72]。

    (1)PSNR(Peak Signal-to-Noise Ratio):即峰值信噪比,是最普遍、最廣泛使用的一種評(píng)價(jià)經(jīng)過壓縮或處理后的圖像與原始圖像相比質(zhì)量好壞的標(biāo)準(zhǔn)。PSNR值越高,處理后的圖像失真越小,質(zhì)量越高。PSNR計(jì)算公式為:

    其中Max2I為圖像I可能的最大像素值,根據(jù)其二進(jìn)制的位數(shù)B,將Max2I表示為(2B?1)2。而MSE表示的是大小為M×N的原始圖像I與處理后的圖像K之間的均方誤差,通過均方誤差值大小確定圖像的失真程度。計(jì)算公式如下:

    由于PSNR 在評(píng)價(jià)圖像質(zhì)量時(shí)忽略了空間頻率和圖像亮度等因素的影響,導(dǎo)致PSNR的評(píng)估結(jié)果和人眼感知的效果不一致。為更合理準(zhǔn)確地評(píng)價(jià)圖像質(zhì)量,對(duì)圖像的亮度、對(duì)比度和結(jié)構(gòu)信息等屬性進(jìn)行分析,引入結(jié)構(gòu)相似性理論(SSIM)作為圖像質(zhì)量的另一評(píng)價(jià)標(biāo)準(zhǔn)。

    (2)SSIM(Structural Similarity):即結(jié)構(gòu)相似性。實(shí)現(xiàn)了從感知誤差的度量到感知結(jié)構(gòu)失真的度量,直接估計(jì)原始圖像和處理后圖像中信號(hào)結(jié)構(gòu)的改變。分別用均值、標(biāo)準(zhǔn)差和協(xié)方差作為亮度、對(duì)比度和結(jié)構(gòu)相似程度的度量,表示為:

    其中,μx是x的均值,μy是y的均值,σ2x是x的方差,σy2是y的方差,σxy是x和y的協(xié)方差,而c1和c2是維持穩(wěn)定的常數(shù)。SSIM的范圍從0~1,值越大表示原始圖像與處理后的圖像誤差越小,圖像質(zhì)量越高。

    (3)時(shí)間:方法性能的評(píng)價(jià)標(biāo)準(zhǔn)除了使用PSNR 和SSIM,對(duì)方法的效率評(píng)估也是必要的。一個(gè)優(yōu)秀的方法應(yīng)該在保證良好去噪性能的基礎(chǔ)上盡量縮短運(yùn)行時(shí)間。

    4 實(shí)驗(yàn)

    4.1 測試環(huán)境

    實(shí)驗(yàn)測試環(huán)境是在AMD Ryzen7 3700X CPU 3.60 GHz,16 GB內(nèi)存,Window10系統(tǒng)下搭建Pytorch平臺(tái)環(huán)境完成對(duì)圖像去噪方法的測試任務(wù)。實(shí)驗(yàn)環(huán)境的配置參數(shù)如表4所示。

    表4 測試環(huán)境的配置參數(shù)

    4.2 參數(shù)設(shè)置

    對(duì)比實(shí)驗(yàn)建立在無噪聲圖像訓(xùn)練集Train400[38]上,5 種噪聲水平σ分別為15、25、35、45和50。對(duì)比方法的核心參數(shù)如批處理數(shù)量(batch size)設(shè)為64,讀取的圖像補(bǔ)丁塊兒大?。╬atch size)設(shè)置為40×40,迭代次數(shù)epoch 設(shè)置為100 000。為使網(wǎng)絡(luò)更快的收斂且能夠更穩(wěn)定的學(xué)習(xí),選擇Adam 優(yōu)化器,并將初始學(xué)習(xí)率(Learning Rate)設(shè)置為0.001,且隨著迭代次數(shù)的增加,學(xué)習(xí)率越來越低。

    4.3 實(shí)驗(yàn)結(jié)果分析

    為進(jìn)一步加深對(duì)方法的理解,本節(jié)選取一些經(jīng)典去噪方法進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)分為兩部分:對(duì)合成噪聲的去噪和對(duì)真實(shí)噪聲的去噪。

    4.3.1 對(duì)合成噪聲的去噪結(jié)果分析

    (1)從表5數(shù)據(jù)可以看出,BSD68數(shù)據(jù)集下,當(dāng)噪聲水平為15 和25 時(shí),DnCNN 方法去噪結(jié)果最好,相比IRCNN 去噪方法其PSNR 值提升了6.1 dB。但當(dāng)噪聲水平為45 和50 時(shí),去噪結(jié)果最好的方法是FFDNet。FFDNet在Set12和Kodak24數(shù)據(jù)集上,同樣展現(xiàn)了對(duì)噪聲水平較高圖像良好的適應(yīng)性。結(jié)合圖5所示,圖(a)、(b)和(c)、(d)分別代表在BSD68 數(shù)據(jù)集和Kodak24 數(shù)據(jù)集上,4種方法的去噪結(jié)果(PSNR和SSIM)隨噪聲水平提高的變化曲線。從圖中看出,隨著噪聲水平的提高,4種方法的去噪性能整體上呈衰減趨勢(shì)。以DnCNN方法為例,在BSD68 數(shù)據(jù)集上,噪聲水平為15 時(shí),其PSNR 為37.74 dB,隨著噪聲水平提升到25,PSNR 呈陡峭式變化,直接降低到29.23 dB,噪聲水平較高時(shí)去噪性能相對(duì)較差。所以,噪聲水平的高低會(huì)直接影響到方法的去噪效果。

    表5 不同噪聲水平下各方法去噪結(jié)果比較

    圖5 去噪方法在BSD68和Kodak24數(shù)據(jù)集上的去噪結(jié)果隨噪聲水平提高的變化曲線

    (2)為進(jìn)一步對(duì)比4種方法的可視化效果,圖6和圖7 分別展示了在噪聲水平為25 時(shí),噪聲圖像在Set12 和Kodak24 數(shù)據(jù)集上的去噪效果。圖6 是在Set12 數(shù)據(jù)集上的去噪效果對(duì)比圖,觀察圖中所選區(qū)域的去噪效果,F(xiàn)dncnn 方法去噪后的圖像中紋理細(xì)節(jié)最為清晰,相對(duì)Ground Truth來說,恢復(fù)效果較好。而DnCNN和IRCNN去噪后的圖像則非常模糊,對(duì)于局部區(qū)域,不僅丟失了紋理細(xì)節(jié)信息,還會(huì)出現(xiàn)一些偽影,對(duì)圖像的恢復(fù)效果較差。且從圖6的對(duì)比效果來看,主觀視覺上的感受與表5客觀評(píng)價(jià)分析結(jié)果一致。

    圖6 噪聲水平σ=25 時(shí)不同方法在Set12數(shù)據(jù)集上的去噪效果對(duì)比圖

    圖7 噪聲水平σ=25 時(shí)不同方法在Kodak24數(shù)據(jù)集上的去噪效果對(duì)比圖

    (3)圖7 是在彩色圖像Kodak24 數(shù)據(jù)集上的去噪效果對(duì)比圖,實(shí)驗(yàn)結(jié)果表明4 種方法中,F(xiàn)dncnn 方法對(duì)紋理細(xì)節(jié)的恢復(fù)相對(duì)較好,然而相比Ground Truth仍存在細(xì)節(jié)紋理細(xì)節(jié)丟失的現(xiàn)象。FFDNet 方法的PSNR 值與Fdncnn 相同,但去噪的效果卻相差很大,PSNR 客觀評(píng)價(jià)指標(biāo)預(yù)測值與實(shí)際主管視覺效果圖不相符。從圖中所選區(qū)域可以看出FFDNet 去噪后的圖像平滑現(xiàn)象嚴(yán)重,看不到紋理細(xì)節(jié)。DnCNN方法和IRCNN方法也同樣出現(xiàn)這個(gè)問題。

    4.3.2 對(duì)真實(shí)噪聲的去噪結(jié)果分析

    真實(shí)噪聲分布比高斯噪聲更為復(fù)雜,本小節(jié)對(duì)4種去噪方法在真實(shí)噪聲圖像DND和PolyU數(shù)據(jù)集上的適用性做進(jìn)一步驗(yàn)證。

    (1)從表6中客觀數(shù)據(jù)看出,F(xiàn)FDNet方法在DND和PolyU 數(shù)據(jù)集上展現(xiàn)出良好的去噪結(jié)果。但對(duì)比各方法在BSD68、Set12、Kodak24 和CBSD68 合成噪聲數(shù)據(jù)集上的去噪結(jié)果,其去噪性能在真實(shí)圖像數(shù)據(jù)集DND上明顯降低,以DnCNN 方法為例,在DND 數(shù)據(jù)集上其PSNR 值比BSD68 數(shù)據(jù)集上測試的值降低了2.65 dB。且通過對(duì)圖8 中DnCNN、Fdncnn、FFDNet 和IRCNN 方法去噪效果對(duì)比圖來看,去噪后的圖像仍存在大量噪聲。所以,通過對(duì)多種噪聲水平的含噪圖像訓(xùn)練樣本進(jìn)行訓(xùn)練得到的去噪模型,并未在真實(shí)圖像去噪實(shí)驗(yàn)中取得很好的效果。

    (2)觀察表6 數(shù)據(jù),可以看出以上4 種方法在PolyU數(shù)據(jù)集上相對(duì)其他合成噪聲數(shù)據(jù)集,PSNR 和SSIM 取得了最優(yōu)的去噪結(jié)果。通過分析圖8和圖9中選取的數(shù)據(jù)樣本,發(fā)現(xiàn)圖9所選樣本的噪聲圖像中噪聲水平比較低,與Ground Truth 相比差別不大,而圖8 所選樣本的噪聲圖像中可以明顯看出噪點(diǎn)的分布情況,且很容易區(qū)分出其噪聲圖像與Ground Truth。所以,這里再一次驗(yàn)證噪聲水平的高低對(duì)去噪方法性能的影響。雖然4 種方法在PolyU數(shù)據(jù)集上,其客觀評(píng)價(jià)指標(biāo)取得相對(duì)較高的結(jié)果,但觀察圖9 樣本數(shù)據(jù)的選框區(qū)域,發(fā)現(xiàn)主觀視覺上的效果并不理想,對(duì)于紋理細(xì)節(jié)和邊緣區(qū)域的恢復(fù)能力較差。

    表6 DND和PolyU數(shù)據(jù)集下各方法去噪結(jié)果比較

    圖8 不同方法在DND數(shù)據(jù)集上的去噪效果對(duì)比圖

    圖9 不同方法在PolyU數(shù)據(jù)集上的去噪效果對(duì)比圖

    通過對(duì)實(shí)驗(yàn)結(jié)果的分析可知,目前去噪方法在圖像恢復(fù)效果上存在的幾個(gè)主要問題:客觀的評(píng)價(jià)指標(biāo)的預(yù)測值與實(shí)際的主觀視覺感受不一致;去噪方法在高等級(jí)噪聲水平下去噪效果不理想;特征表達(dá)能力不足,導(dǎo)致去噪后圖像仍有噪聲殘留;對(duì)圖像中的紋理細(xì)節(jié)及邊緣信息恢復(fù)效果不佳。

    5 總結(jié)與展望

    隨著圖像去噪技術(shù)的不斷更新發(fā)展,越來越多的方法關(guān)注于如何去除真實(shí)噪聲。圖像去噪這項(xiàng)預(yù)處理任務(wù)如果完成的好,將會(huì)對(duì)后續(xù)圖像處理相關(guān)任務(wù)的研究打下堅(jiān)實(shí)基礎(chǔ)。本文對(duì)近幾年的圖像去噪方法做了總結(jié)和歸納:

    (1)傳統(tǒng)的圖像去噪方法,一方面基于特定設(shè)計(jì)模型方法進(jìn)行去噪,沒有充分考慮噪聲類型的多樣性,且需要先驗(yàn)知識(shí)做基礎(chǔ),只能提取局部特征,忽視了全局信息的影響;另一方面,模型泛化能力差,對(duì)于真實(shí)含噪圖像去噪效果不佳。

    (2)基于深度學(xué)習(xí)的圖像去噪方法具有強(qiáng)大的表示學(xué)習(xí)能力,模型對(duì)大量樣本進(jìn)行訓(xùn)練學(xué)習(xí),可以獲取更準(zhǔn)確的噪聲特征。從近幾年的圖像去噪方法來看,基于GAN的去噪方法以及基于GNN的去噪方法發(fā)展迅速,分別在構(gòu)造成對(duì)訓(xùn)練樣本和處理非結(jié)構(gòu)化噪聲分布方面展現(xiàn)出良好優(yōu)勢(shì),另外結(jié)合注意力機(jī)制、多尺度特征融合、遷移學(xué)習(xí)等策略,很好地彌補(bǔ)了真實(shí)噪聲自身類型多樣、分布復(fù)雜、難以參數(shù)化等特性,更好地提升了去噪效果。但是由于去噪網(wǎng)絡(luò)規(guī)模大、參數(shù)多、計(jì)算量大、訓(xùn)練不穩(wěn)定,因此以后可以考慮從模型剪枝、知識(shí)蒸餾等方面構(gòu)造更輕量的網(wǎng)絡(luò)模型。

    雖然基于深度學(xué)習(xí)的去噪方法已經(jīng)取得了不錯(cuò)的進(jìn)展,去噪效果也在不斷提升,但是仍然還有以下幾個(gè)努力的方向:

    (1)解決訓(xùn)練樣本不足問題

    大多數(shù)深度學(xué)習(xí)去噪方法都需要有標(biāo)簽的數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí),但在真實(shí)環(huán)境下獲取成對(duì)的清晰-噪聲圖像較為困難。為解決訓(xùn)練樣本少的問題,對(duì)于監(jiān)督學(xué)習(xí)的訓(xùn)練方式,可以選用GAN來豐富真實(shí)圖像數(shù)據(jù),GAN通過對(duì)真實(shí)圖像中的噪聲分布進(jìn)行學(xué)習(xí),生成逼真的新噪聲圖像,擴(kuò)充了數(shù)據(jù)。而對(duì)于無監(jiān)督學(xué)習(xí)的訓(xùn)練方式,可以構(gòu)建基于編碼器-解碼器的去噪網(wǎng)絡(luò),無監(jiān)督的方法能夠很好地從根本上解決對(duì)大量訓(xùn)練樣本的依賴問題。因此,無監(jiān)督的去噪方法也是后續(xù)值得研究的方向之一。

    (2)提升圖像去噪方法對(duì)真實(shí)噪聲的泛化能力

    目前常用的基于深度學(xué)習(xí)的圖像去噪方法大多基于合成噪聲進(jìn)行去噪,雖然這些方法已經(jīng)取得了很好的去噪效果,但對(duì)于真實(shí)含噪圖像的泛化能力偏弱,去噪效果較差。這些缺陷受限于真實(shí)噪聲本身類型多樣、分布復(fù)雜、難以參數(shù)化等特性。因此,針對(duì)真實(shí)噪聲圖像設(shè)計(jì)行之有效的去噪方法,提升方法的泛化能力和模型魯棒性是一項(xiàng)頗具挑戰(zhàn)和值得研究的任務(wù)。

    (3)將去噪方法應(yīng)用于實(shí)時(shí)視頻去噪

    近年來對(duì)圖像去噪方法的研究主要集中于靜態(tài)圖像,針對(duì)視頻的研究很少,如何利用視頻中各幀之間的時(shí)序關(guān)系實(shí)現(xiàn)實(shí)時(shí)去噪,是未來的重點(diǎn)研究方向,具有非常實(shí)際的應(yīng)用價(jià)值。

    (4)對(duì)單圖像進(jìn)行去噪

    相比基于視頻的去噪方法,單圖像去噪更加困難。因?yàn)閱螏瑘D像作為獨(dú)立輸入,沒有相鄰時(shí)間序列,也學(xué)習(xí)不到鄰域色度之間的差異,單圖像去噪是一個(gè)具有挑戰(zhàn)性的問題,是后續(xù)可以考慮的研究方向之一。

    (5)輕量化網(wǎng)絡(luò)模型

    許多依賴傳統(tǒng)卷積方式的圖像去噪方法著重于設(shè)計(jì)更寬或更深的網(wǎng)絡(luò)結(jié)構(gòu)以獲得性能的增益,這種方式需要很高的計(jì)算成本和大量的內(nèi)存。因此,一些基于網(wǎng)絡(luò)剪枝[73]、參數(shù)量化[74]和知識(shí)蒸餾[75]的模型壓縮方法逐漸出現(xiàn)。目前這些輕量化網(wǎng)絡(luò)在超分辨率重建上已有應(yīng)用,但在圖像去噪領(lǐng)域應(yīng)用較少,是后續(xù)可以研究的方向之一。

    亚洲av第一区精品v没综合| 深夜精品福利| 老司机在亚洲福利影院| 久久精品国产综合久久久| 中文在线观看免费www的网站 | netflix在线观看网站| 欧美国产日韩亚洲一区| 黄片大片在线免费观看| 国产成人精品久久二区二区91| 日韩三级视频一区二区三区| 日韩欧美精品v在线| 国产精品国产高清国产av| 国产人伦9x9x在线观看| 99热6这里只有精品| 欧美日韩亚洲综合一区二区三区_| 午夜福利18| 黄色成人免费大全| 亚洲最大成人中文| 超碰成人久久| 久久国产精品影院| 久久欧美精品欧美久久欧美| 国产高清激情床上av| 日韩欧美一区二区三区在线观看| 亚洲专区国产一区二区| 91老司机精品| 99久久综合精品五月天人人| 国产成人一区二区三区免费视频网站| 日本免费a在线| 99re在线观看精品视频| 999精品在线视频| 久久久久久久久中文| 91老司机精品| 最近最新中文字幕大全电影3| 99热6这里只有精品| 久9热在线精品视频| 黄片大片在线免费观看| 最近视频中文字幕2019在线8| 天天躁狠狠躁夜夜躁狠狠躁| 国产99白浆流出| 在线观看66精品国产| 搞女人的毛片| 亚洲国产欧美网| 真人做人爱边吃奶动态| 黑人欧美特级aaaaaa片| 成人三级做爰电影| 精品欧美一区二区三区在线| 免费在线观看亚洲国产| 制服诱惑二区| 日韩高清综合在线| 国产一区二区在线av高清观看| 长腿黑丝高跟| 午夜免费观看网址| 一进一出好大好爽视频| 日韩精品免费视频一区二区三区| 亚洲专区中文字幕在线| 白带黄色成豆腐渣| 欧美乱色亚洲激情| 99精品在免费线老司机午夜| 国产高清videossex| 成人18禁在线播放| 校园春色视频在线观看| 成人三级做爰电影| 欧美成狂野欧美在线观看| 亚洲五月天丁香| 一级片免费观看大全| 亚洲aⅴ乱码一区二区在线播放 | 精品无人区乱码1区二区| 别揉我奶头~嗯~啊~动态视频| 色精品久久人妻99蜜桃| 国产精品久久久久久人妻精品电影| 视频区欧美日本亚洲| 在线永久观看黄色视频| 欧美黑人精品巨大| 日韩精品免费视频一区二区三区| 一区福利在线观看| 日韩成人在线观看一区二区三区| 成人18禁高潮啪啪吃奶动态图| 一卡2卡三卡四卡精品乱码亚洲| 1024手机看黄色片| 国产真实乱freesex| 成人午夜高清在线视频| 中亚洲国语对白在线视频| 国模一区二区三区四区视频 | 久久精品夜夜夜夜夜久久蜜豆 | 宅男免费午夜| 美女午夜性视频免费| 一级a爱片免费观看的视频| 国产成人系列免费观看| 国产精品影院久久| 亚洲熟女毛片儿| 国语自产精品视频在线第100页| 亚洲国产欧美网| 亚洲av成人一区二区三| 亚洲av成人精品一区久久| 国产人伦9x9x在线观看| 91大片在线观看| 成人18禁高潮啪啪吃奶动态图| 99热这里只有精品一区 | 久久天堂一区二区三区四区| 99久久精品热视频| 久久精品夜夜夜夜夜久久蜜豆 | 欧美日韩亚洲综合一区二区三区_| 国产伦人伦偷精品视频| 天天添夜夜摸| 极品教师在线免费播放| 亚洲性夜色夜夜综合| 哪里可以看免费的av片| 国产一区二区在线av高清观看| 变态另类丝袜制服| 欧美午夜高清在线| 色综合站精品国产| 欧美一区二区国产精品久久精品 | 国模一区二区三区四区视频 | 一本一本综合久久| 欧美中文日本在线观看视频| 午夜精品久久久久久毛片777| 亚洲人成电影免费在线| 99精品久久久久人妻精品| 男人的好看免费观看在线视频 | 三级男女做爰猛烈吃奶摸视频| 国产视频一区二区在线看| 亚洲人成网站在线播放欧美日韩| 久久久久久免费高清国产稀缺| 国产成人系列免费观看| 国产蜜桃级精品一区二区三区| 色综合亚洲欧美另类图片| 久久久水蜜桃国产精品网| 视频区欧美日本亚洲| 国产精品精品国产色婷婷| 亚洲七黄色美女视频| 老汉色av国产亚洲站长工具| 日韩精品免费视频一区二区三区| 久久精品aⅴ一区二区三区四区| 久久久水蜜桃国产精品网| 大型av网站在线播放| 一个人观看的视频www高清免费观看 | 亚洲成人久久爱视频| 亚洲成a人片在线一区二区| 可以在线观看的亚洲视频| 久久久久精品国产欧美久久久| 可以免费在线观看a视频的电影网站| www.精华液| 日本三级黄在线观看| 熟女少妇亚洲综合色aaa.| 亚洲国产精品久久男人天堂| 久久久精品大字幕| 韩国av一区二区三区四区| 国产精品1区2区在线观看.| av福利片在线观看| 欧美绝顶高潮抽搐喷水| 国产伦一二天堂av在线观看| 一本综合久久免费| 亚洲欧美日韩东京热| 国产午夜精品论理片| 色老头精品视频在线观看| 黄色成人免费大全| 在线观看免费视频日本深夜| 在线观看免费视频日本深夜| 国产99白浆流出| 大型黄色视频在线免费观看| 久久欧美精品欧美久久欧美| 亚洲乱码一区二区免费版| 欧美黄色片欧美黄色片| 日韩大码丰满熟妇| 午夜福利成人在线免费观看| 国产伦在线观看视频一区| 三级国产精品欧美在线观看 | 国产精品一区二区免费欧美| 免费观看精品视频网站| 小说图片视频综合网站| 婷婷精品国产亚洲av在线| 村上凉子中文字幕在线| 日本 av在线| 黄片小视频在线播放| 久久中文看片网| 深夜精品福利| 欧美一区二区国产精品久久精品 | 久久九九热精品免费| 欧美日韩福利视频一区二区| 在线观看免费午夜福利视频| 欧美色欧美亚洲另类二区| 久久久国产成人精品二区| 午夜福利成人在线免费观看| 日本在线视频免费播放| 人人妻人人看人人澡| 国产伦一二天堂av在线观看| 久热爱精品视频在线9| 老熟妇仑乱视频hdxx| 亚洲片人在线观看| a级毛片a级免费在线| 午夜福利在线观看吧| 在线观看免费午夜福利视频| 亚洲avbb在线观看| 99热这里只有是精品50| 91九色精品人成在线观看| 白带黄色成豆腐渣| 老司机靠b影院| 午夜影院日韩av| 男女做爰动态图高潮gif福利片| 丰满人妻一区二区三区视频av | 1024手机看黄色片| 成人三级做爰电影| 久久午夜综合久久蜜桃| 看片在线看免费视频| 亚洲人成网站在线播放欧美日韩| 久久精品91蜜桃| 免费在线观看影片大全网站| 欧美又色又爽又黄视频| 无遮挡黄片免费观看| 丰满的人妻完整版| 亚洲av日韩精品久久久久久密| 欧美日韩亚洲综合一区二区三区_| 18美女黄网站色大片免费观看| 两性夫妻黄色片| 国产片内射在线| 日韩欧美在线乱码| av免费在线观看网站| 日韩免费av在线播放| 少妇被粗大的猛进出69影院| a级毛片a级免费在线| 男人的好看免费观看在线视频 | 久久香蕉精品热| 欧美在线黄色| 亚洲精品美女久久av网站| 日韩高清综合在线| 九色国产91popny在线| 亚洲中文日韩欧美视频| 久久婷婷成人综合色麻豆| 日韩欧美精品v在线| 久久精品国产亚洲av香蕉五月| 久久精品国产亚洲av高清一级| 美女 人体艺术 gogo| 观看免费一级毛片| 成人高潮视频无遮挡免费网站| 又粗又爽又猛毛片免费看| avwww免费| 成人午夜高清在线视频| 国产精品久久电影中文字幕| 午夜两性在线视频| 宅男免费午夜| 亚洲七黄色美女视频| 午夜精品久久久久久毛片777| 色综合欧美亚洲国产小说| 国产成+人综合+亚洲专区| 悠悠久久av| 午夜福利欧美成人| 亚洲国产欧美人成| 男女视频在线观看网站免费 | 成人精品一区二区免费| 国产亚洲av高清不卡| 三级国产精品欧美在线观看 | 波多野结衣高清无吗| 女生性感内裤真人,穿戴方法视频| 一本久久中文字幕| 黑人欧美特级aaaaaa片| 少妇粗大呻吟视频| 久久久久久大精品| www国产在线视频色| 老熟妇乱子伦视频在线观看| 黄片小视频在线播放| 后天国语完整版免费观看| 国产人伦9x9x在线观看| 在线观看舔阴道视频| 免费在线观看视频国产中文字幕亚洲| 久久久久久人人人人人| 亚洲国产欧洲综合997久久,| 丝袜美腿诱惑在线| 亚洲色图 男人天堂 中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 岛国在线观看网站| 亚洲国产精品999在线| 国产三级黄色录像| 国产亚洲精品久久久久5区| 久久九九热精品免费| 人妻久久中文字幕网| 夜夜躁狠狠躁天天躁| 亚洲专区字幕在线| 欧美一级a爱片免费观看看 | 国产黄色小视频在线观看| 精品日产1卡2卡| 在线国产一区二区在线| 日本成人三级电影网站| 国产亚洲精品第一综合不卡| 99热只有精品国产| 亚洲欧美一区二区三区黑人| 99久久综合精品五月天人人| 中文字幕高清在线视频| 亚洲电影在线观看av| 婷婷六月久久综合丁香| 少妇裸体淫交视频免费看高清 | 国产又黄又爽又无遮挡在线| 老司机在亚洲福利影院| 国产精品久久久av美女十八| 性色av乱码一区二区三区2| 久久久精品国产亚洲av高清涩受| 久久久久久久久免费视频了| 成人高潮视频无遮挡免费网站| 美女午夜性视频免费| av在线天堂中文字幕| 无人区码免费观看不卡| 欧美久久黑人一区二区| 小说图片视频综合网站| 岛国视频午夜一区免费看| 制服丝袜大香蕉在线| bbb黄色大片| 精品国内亚洲2022精品成人| av免费在线观看网站| 久久久国产欧美日韩av| 亚洲无线在线观看| 成年人黄色毛片网站| 国产精品永久免费网站| 国产成+人综合+亚洲专区| 久久精品人妻少妇| 黄色视频,在线免费观看| x7x7x7水蜜桃| 一级毛片精品| av中文乱码字幕在线| 舔av片在线| 国产97色在线日韩免费| 欧美日韩国产亚洲二区| 美女大奶头视频| 欧美性猛交╳xxx乱大交人| 一级作爱视频免费观看| 国产aⅴ精品一区二区三区波| 一二三四在线观看免费中文在| 婷婷六月久久综合丁香| 香蕉丝袜av| 免费在线观看黄色视频的| 怎么达到女性高潮| 亚洲中文字幕日韩| 国产高清视频在线观看网站| 国内精品久久久久久久电影| 国产探花在线观看一区二区| 又紧又爽又黄一区二区| 长腿黑丝高跟| 最新在线观看一区二区三区| 岛国在线观看网站| 国产三级在线视频| 天天添夜夜摸| 国产日本99.免费观看| 国产激情欧美一区二区| 亚洲中文字幕一区二区三区有码在线看 | 精品日产1卡2卡| 又黄又粗又硬又大视频| 免费看a级黄色片| av在线天堂中文字幕| 99热6这里只有精品| 一级毛片精品| 每晚都被弄得嗷嗷叫到高潮| 国产精品一区二区三区四区久久| 麻豆av在线久日| 丰满人妻熟妇乱又伦精品不卡| 曰老女人黄片| 亚洲精品久久成人aⅴ小说| 亚洲五月婷婷丁香| 一级毛片精品| 婷婷精品国产亚洲av在线| 久久久精品欧美日韩精品| 欧美另类亚洲清纯唯美| 国内精品久久久久久久电影| 正在播放国产对白刺激| 亚洲一码二码三码区别大吗| 老司机福利观看| 久久久久国产精品人妻aⅴ院| 午夜福利欧美成人| cao死你这个sao货| 人妻久久中文字幕网| 亚洲av五月六月丁香网| 日本 av在线| 国产精品久久视频播放| 国产人伦9x9x在线观看| 嫩草影视91久久| 性色av乱码一区二区三区2| 亚洲av电影不卡..在线观看| 亚洲电影在线观看av| 久久香蕉国产精品| 女人被狂操c到高潮| 天天一区二区日本电影三级| 美女黄网站色视频| 午夜精品在线福利| 91字幕亚洲| 国产午夜精品久久久久久| av片东京热男人的天堂| 亚洲专区字幕在线| 一级a爱片免费观看的视频| 色精品久久人妻99蜜桃| 欧美久久黑人一区二区| 老熟妇仑乱视频hdxx| 黄频高清免费视频| 免费观看精品视频网站| 又粗又爽又猛毛片免费看| 欧美日韩亚洲综合一区二区三区_| 免费看日本二区| 激情在线观看视频在线高清| 国内揄拍国产精品人妻在线| 国产真实乱freesex| 成人高潮视频无遮挡免费网站| 五月玫瑰六月丁香| av片东京热男人的天堂| 亚洲专区国产一区二区| 国产精品免费一区二区三区在线| 三级毛片av免费| 国产伦在线观看视频一区| 国产不卡一卡二| 亚洲成av人片免费观看| 久久久久久久久中文| 国产精品久久久久久精品电影| 97超级碰碰碰精品色视频在线观看| 老熟妇乱子伦视频在线观看| 在线永久观看黄色视频| 香蕉国产在线看| 啦啦啦观看免费观看视频高清| 精品人妻1区二区| 免费观看人在逋| 法律面前人人平等表现在哪些方面| 亚洲欧美精品综合一区二区三区| 黄色女人牲交| 欧美色视频一区免费| 亚洲av片天天在线观看| 亚洲国产精品sss在线观看| 久久精品成人免费网站| 精品一区二区三区av网在线观看| 好男人电影高清在线观看| 欧美日韩乱码在线| 久久久久精品国产欧美久久久| 老汉色∧v一级毛片| 天天添夜夜摸| 亚洲欧美精品综合久久99| 久久国产精品影院| 色综合站精品国产| 亚洲一区高清亚洲精品| 黑人巨大精品欧美一区二区mp4| 免费高清视频大片| 欧美日韩福利视频一区二区| 国产亚洲精品一区二区www| 久久这里只有精品中国| av福利片在线| 国产伦在线观看视频一区| 香蕉av资源在线| xxxwww97欧美| 日本黄色视频三级网站网址| 免费观看人在逋| 午夜精品一区二区三区免费看| 在线观看一区二区三区| 午夜老司机福利片| 日本黄色视频三级网站网址| 母亲3免费完整高清在线观看| 亚洲午夜理论影院| 亚洲国产欧洲综合997久久,| 一边摸一边抽搐一进一小说| 欧美国产日韩亚洲一区| 人妻夜夜爽99麻豆av| 亚洲国产精品成人综合色| 可以在线观看毛片的网站| 一a级毛片在线观看| 麻豆国产av国片精品| 成人高潮视频无遮挡免费网站| 中文字幕人妻丝袜一区二区| 国产精品久久电影中文字幕| 一区二区三区高清视频在线| av视频在线观看入口| 国内精品久久久久精免费| 精品久久久久久,| 日本一二三区视频观看| 亚洲国产日韩欧美精品在线观看 | 精品久久久久久久末码| 黄色毛片三级朝国网站| 1024香蕉在线观看| 狂野欧美激情性xxxx| 亚洲一区二区三区色噜噜| 成在线人永久免费视频| 精品第一国产精品| 国产在线观看jvid| 无人区码免费观看不卡| 国产精品亚洲一级av第二区| 叶爱在线成人免费视频播放| 黑人欧美特级aaaaaa片| 亚洲成人中文字幕在线播放| 99在线视频只有这里精品首页| 在线观看66精品国产| 亚洲七黄色美女视频| 国产av麻豆久久久久久久| 欧美在线黄色| 国产麻豆成人av免费视频| 黑人巨大精品欧美一区二区mp4| 最近视频中文字幕2019在线8| 久久人妻av系列| 久久精品夜夜夜夜夜久久蜜豆 | 精品久久久久久久人妻蜜臀av| 国产一区在线观看成人免费| 美女 人体艺术 gogo| 久久久久久九九精品二区国产 | 国产熟女xx| 婷婷六月久久综合丁香| 久9热在线精品视频| 三级男女做爰猛烈吃奶摸视频| 天堂√8在线中文| 最近最新中文字幕大全电影3| 男女下面进入的视频免费午夜| 欧美日韩一级在线毛片| 久久国产精品影院| 国产精品 国内视频| 天天一区二区日本电影三级| 久久久精品欧美日韩精品| 久久久精品大字幕| 美女免费视频网站| 非洲黑人性xxxx精品又粗又长| 亚洲 欧美 日韩 在线 免费| 久久亚洲真实| 亚洲午夜精品一区,二区,三区| 黄色视频不卡| 久久午夜综合久久蜜桃| 国产精品久久久久久久电影 | 欧美在线一区亚洲| 亚洲国产欧美网| 亚洲18禁久久av| 日本在线视频免费播放| 美女大奶头视频| 国产区一区二久久| 亚洲精品在线观看二区| 可以在线观看的亚洲视频| 精品少妇一区二区三区视频日本电影| 国产高清有码在线观看视频 | 男男h啪啪无遮挡| 亚洲国产欧洲综合997久久,| 精品久久久久久久久久久久久| 在线观看一区二区三区| 女人被狂操c到高潮| 午夜福利在线在线| 国产真实乱freesex| 全区人妻精品视频| 日韩高清综合在线| 在线观看www视频免费| 丝袜人妻中文字幕| 小说图片视频综合网站| 老鸭窝网址在线观看| 国产精品一区二区三区四区免费观看 | 国产99白浆流出| 久久精品91无色码中文字幕| 欧美激情久久久久久爽电影| 在线观看美女被高潮喷水网站 | 可以免费在线观看a视频的电影网站| 亚洲 国产 在线| 久9热在线精品视频| 亚洲精品中文字幕在线视频| 黄片大片在线免费观看| 三级男女做爰猛烈吃奶摸视频| cao死你这个sao货| 岛国在线观看网站| 狠狠狠狠99中文字幕| 成人高潮视频无遮挡免费网站| av视频在线观看入口| 在线a可以看的网站| 青草久久国产| 两个人的视频大全免费| x7x7x7水蜜桃| 曰老女人黄片| 国产免费av片在线观看野外av| 天堂影院成人在线观看| 久久久水蜜桃国产精品网| 日日夜夜操网爽| 国产伦人伦偷精品视频| 又紧又爽又黄一区二区| 可以在线观看的亚洲视频| 亚洲欧美日韩无卡精品| 法律面前人人平等表现在哪些方面| 国产高清视频在线观看网站| 日韩欧美在线乱码| 一个人免费在线观看电影 | 熟妇人妻久久中文字幕3abv| 国产成人精品久久二区二区91| 在线a可以看的网站| 久久香蕉激情| 亚洲成人精品中文字幕电影| 亚洲第一电影网av| АⅤ资源中文在线天堂| 亚洲va日本ⅴa欧美va伊人久久| 俺也久久电影网| 成人国产一区最新在线观看| 亚洲专区中文字幕在线| 99久久精品国产亚洲精品| 亚洲精品久久成人aⅴ小说| 精品国产乱子伦一区二区三区| 久久中文字幕人妻熟女| 国产精品99久久99久久久不卡| 欧美人与性动交α欧美精品济南到| 亚洲真实伦在线观看| 欧洲精品卡2卡3卡4卡5卡区| 男女床上黄色一级片免费看| 香蕉久久夜色| 亚洲精华国产精华精| 国内少妇人妻偷人精品xxx网站 | 免费在线观看日本一区| 日本免费a在线| 亚洲中文字幕日韩| 在线看三级毛片| 草草在线视频免费看| 国产激情欧美一区二区| 亚洲七黄色美女视频| 国产午夜福利久久久久久| 成年免费大片在线观看| 国产欧美日韩一区二区三| 一区二区三区国产精品乱码| 99国产精品一区二区蜜桃av| 黄色 视频免费看| 国产单亲对白刺激| 日韩欧美一区二区三区在线观看| 91大片在线观看| 成在线人永久免费视频| 日本成人三级电影网站| 久久午夜亚洲精品久久| 国产三级中文精品| 精品久久久久久成人av| 岛国视频午夜一区免费看| 欧美高清成人免费视频www|