• <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。

    亚洲美女黄色视频免费看| 日产精品乱码卡一卡2卡三| 在线观看免费高清a一片| 亚洲精品视频女| 晚上一个人看的免费电影| 中国国产av一级| 久久精品国产亚洲av高清一级| 精品久久久精品久久久| 纵有疾风起免费观看全集完整版| 伊人久久大香线蕉亚洲五| 啦啦啦视频在线资源免费观看| 日韩中字成人| 亚洲,欧美,日韩| 午夜激情av网站| 色婷婷av一区二区三区视频| 蜜桃在线观看..| 欧美成人午夜精品| 香蕉国产在线看| 宅男免费午夜| 国产精品一二三区在线看| 久久久久人妻精品一区果冻| 中文字幕人妻丝袜制服| 久久精品国产亚洲av天美| 国产精品久久久久久av不卡| 五月伊人婷婷丁香| 久久精品熟女亚洲av麻豆精品| 丰满少妇做爰视频| 日韩伦理黄色片| 国产一区二区三区综合在线观看| 国产精品国产三级国产专区5o| 熟女少妇亚洲综合色aaa.| 黄色一级大片看看| 免费看av在线观看网站| 一区二区三区四区激情视频| 麻豆精品久久久久久蜜桃| 久久久国产一区二区| 国产精品 国内视频| 午夜福利,免费看| 国精品久久久久久国模美| 一区二区av电影网| 国产男女超爽视频在线观看| 久热久热在线精品观看| 综合色丁香网| 国产精品一国产av| 18禁国产床啪视频网站| 亚洲国产色片| www.熟女人妻精品国产| 最新的欧美精品一区二区| 亚洲成色77777| 91成人精品电影| 看免费av毛片| av免费观看日本| 色网站视频免费| 一区二区日韩欧美中文字幕| 丝袜脚勾引网站| 久久综合国产亚洲精品| 91国产中文字幕| 久久av网站| 国产爽快片一区二区三区| 亚洲欧美清纯卡通| 大片电影免费在线观看免费| 男女免费视频国产| 日韩精品免费视频一区二区三区| 超碰97精品在线观看| 国产精品一区二区在线不卡| 久久久精品国产亚洲av高清涩受| 亚洲视频免费观看视频| 丰满饥渴人妻一区二区三| 欧美中文综合在线视频| 亚洲av中文av极速乱| 另类亚洲欧美激情| 热99国产精品久久久久久7| 在线观看三级黄色| 最新的欧美精品一区二区| 久久久久久久亚洲中文字幕| 国产在视频线精品| 大码成人一级视频| 日韩av在线免费看完整版不卡| 欧美日本中文国产一区发布| 成人二区视频| 男女国产视频网站| 日韩av不卡免费在线播放| kizo精华| 免费黄频网站在线观看国产| 在线免费观看不下载黄p国产| 在线观看免费高清a一片| 亚洲国产欧美在线一区| 91午夜精品亚洲一区二区三区| 国产成人一区二区在线| www日本在线高清视频| 大片电影免费在线观看免费| 满18在线观看网站| 成年女人在线观看亚洲视频| 国产老妇伦熟女老妇高清| 91久久精品国产一区二区三区| 91aial.com中文字幕在线观看| 人妻一区二区av| 男女午夜视频在线观看| 亚洲四区av| 一二三四中文在线观看免费高清| 国产一区二区在线观看av| 免费高清在线观看视频在线观看| 狠狠婷婷综合久久久久久88av| 日本黄色日本黄色录像| 一区二区日韩欧美中文字幕| 十八禁高潮呻吟视频| 精品卡一卡二卡四卡免费| 国产男女内射视频| 香蕉国产在线看| 亚洲人成77777在线视频| 日韩欧美一区视频在线观看| www.自偷自拍.com| 久久久久国产精品人妻一区二区| 国产精品熟女久久久久浪| 日本av手机在线免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 最黄视频免费看| 一本久久精品| 97在线视频观看| 亚洲精品乱久久久久久| 久久久久久伊人网av| 最新的欧美精品一区二区| 久久久a久久爽久久v久久| 国产成人欧美| av国产久精品久网站免费入址| 多毛熟女@视频| 日韩不卡一区二区三区视频在线| 91国产中文字幕| 国产毛片在线视频| 在线观看免费视频网站a站| 欧美成人精品欧美一级黄| 丝袜脚勾引网站| 午夜老司机福利剧场| 中国国产av一级| 一边亲一边摸免费视频| 99热国产这里只有精品6| 黄色配什么色好看| 一区二区日韩欧美中文字幕| 自线自在国产av| 人妻系列 视频| 精品国产国语对白av| 国产男女内射视频| 精品国产一区二区久久| 日韩一本色道免费dvd| 久久国产精品大桥未久av| 亚洲精品美女久久久久99蜜臀 | 国产精品99久久99久久久不卡 | 免费黄频网站在线观看国产| av线在线观看网站| 超碰97精品在线观看| 下体分泌物呈黄色| 亚洲精品国产av成人精品| 精品少妇久久久久久888优播| 国产男女内射视频| 最近最新中文字幕免费大全7| 中国三级夫妇交换| 最近最新中文字幕免费大全7| av免费在线看不卡| 国产片内射在线| 高清不卡的av网站| 亚洲av免费高清在线观看| 99热全是精品| 婷婷成人精品国产| 女人被躁到高潮嗷嗷叫费观| 蜜桃国产av成人99| 九九爱精品视频在线观看| 国产精品麻豆人妻色哟哟久久| 亚洲国产看品久久| 午夜福利一区二区在线看| 久久精品国产a三级三级三级| 极品少妇高潮喷水抽搐| 亚洲,欧美,日韩| 成年人免费黄色播放视频| 日韩视频在线欧美| 欧美 日韩 精品 国产| 国产一级毛片在线| 午夜91福利影院| 黄色毛片三级朝国网站| 亚洲欧洲日产国产| 美女主播在线视频| 久久99一区二区三区| 人人妻人人澡人人爽人人夜夜| 国产又色又爽无遮挡免| 高清在线视频一区二区三区| 国产乱来视频区| 女性被躁到高潮视频| 久久国产亚洲av麻豆专区| 在线观看三级黄色| 国产一区二区三区av在线| 中文字幕人妻丝袜一区二区 | 黄频高清免费视频| 少妇精品久久久久久久| 亚洲av免费高清在线观看| 国产av国产精品国产| www.精华液| 亚洲av.av天堂| 国产福利在线免费观看视频| 色94色欧美一区二区| 精品一区二区三卡| 亚洲国产成人一精品久久久| 热99国产精品久久久久久7| 热re99久久国产66热| www.熟女人妻精品国产| 大码成人一级视频| 菩萨蛮人人尽说江南好唐韦庄| 日韩一本色道免费dvd| 91国产中文字幕| 成人黄色视频免费在线看| 最新中文字幕久久久久| 亚洲伊人久久精品综合| 哪个播放器可以免费观看大片| 免费高清在线观看视频在线观看| 中文天堂在线官网| 肉色欧美久久久久久久蜜桃| 国产成人精品福利久久| av有码第一页| 久久av网站| 热99久久久久精品小说推荐| 亚洲国产看品久久| av在线老鸭窝| 国产亚洲精品第一综合不卡| 建设人人有责人人尽责人人享有的| 精品一区在线观看国产| 2018国产大陆天天弄谢| 亚洲av成人精品一二三区| 在线看a的网站| 欧美最新免费一区二区三区| 国产av精品麻豆| 久久av网站| 亚洲视频免费观看视频| 免费看不卡的av| 国产av一区二区精品久久| 久久久久久久亚洲中文字幕| 国产精品成人在线| 欧美老熟妇乱子伦牲交| www.自偷自拍.com| 黄色 视频免费看| 丰满饥渴人妻一区二区三| 啦啦啦视频在线资源免费观看| 久久精品国产综合久久久| 好男人视频免费观看在线| 欧美日韩视频高清一区二区三区二| 精品第一国产精品| 精品久久久久久电影网| 亚洲av男天堂| 色吧在线观看| 最新中文字幕久久久久| av免费观看日本| 制服诱惑二区| 婷婷色麻豆天堂久久| 国产成人精品久久久久久| 国产精品一区二区在线观看99| 成年人免费黄色播放视频| www.av在线官网国产| 久久精品国产亚洲av涩爱| 尾随美女入室| 日韩欧美一区视频在线观看| 国产精品麻豆人妻色哟哟久久| 晚上一个人看的免费电影| 国产乱来视频区| 久久精品夜色国产| 亚洲四区av| 婷婷色综合www| 亚洲国产欧美网| 午夜日韩欧美国产| 色视频在线一区二区三区| 欧美少妇被猛烈插入视频| 亚洲av福利一区| av又黄又爽大尺度在线免费看| 中文精品一卡2卡3卡4更新| 一本—道久久a久久精品蜜桃钙片| 日韩一本色道免费dvd| 日韩av在线免费看完整版不卡| 日韩av在线免费看完整版不卡| 最近中文字幕2019免费版| 欧美人与善性xxx| 日本黄色日本黄色录像| 亚洲精品美女久久久久99蜜臀 | xxxhd国产人妻xxx| 精品第一国产精品| av在线播放精品| 在线观看www视频免费| 久久国内精品自在自线图片| 国产综合精华液| 美女国产高潮福利片在线看| 999久久久国产精品视频| 精品一区二区三卡| 亚洲国产日韩一区二区| 男的添女的下面高潮视频| 最新中文字幕久久久久| 亚洲精品国产色婷婷电影| 一级毛片我不卡| 99国产精品免费福利视频| 高清视频免费观看一区二区| 搡老乐熟女国产| 色视频在线一区二区三区| 不卡av一区二区三区| 另类精品久久| 午夜福利一区二区在线看| 大陆偷拍与自拍| 亚洲人成电影观看| 日韩中文字幕视频在线看片| 黄色怎么调成土黄色| 97人妻天天添夜夜摸| 国产乱人偷精品视频| 亚洲男人天堂网一区| 纵有疾风起免费观看全集完整版| 亚洲欧美成人综合另类久久久| 久久ye,这里只有精品| 超碰成人久久| 三上悠亚av全集在线观看| 一区二区日韩欧美中文字幕| 亚洲成人av在线免费| 婷婷色综合大香蕉| 国产人伦9x9x在线观看 | 少妇精品久久久久久久| 日韩熟女老妇一区二区性免费视频| a级毛片在线看网站| 亚洲成国产人片在线观看| 亚洲,一卡二卡三卡| 久久人人爽人人片av| 午夜影院在线不卡| 肉色欧美久久久久久久蜜桃| 日韩一卡2卡3卡4卡2021年| 91在线精品国自产拍蜜月| 久久精品久久久久久久性| 考比视频在线观看| 欧美xxⅹ黑人| 国产成人91sexporn| 国精品久久久久久国模美| 青春草国产在线视频| tube8黄色片| 午夜福利在线免费观看网站| 日本色播在线视频| 免费观看无遮挡的男女| 女人被躁到高潮嗷嗷叫费观| 亚洲中文av在线| 国产精品成人在线| 欧美少妇被猛烈插入视频| av不卡在线播放| 女人高潮潮喷娇喘18禁视频| 女性生殖器流出的白浆| 人成视频在线观看免费观看| 少妇人妻久久综合中文| 嫩草影院入口| 青春草视频在线免费观看| 久久99一区二区三区| 国产精品人妻久久久影院| 王馨瑶露胸无遮挡在线观看| 狠狠精品人妻久久久久久综合| 美女高潮到喷水免费观看| 亚洲av.av天堂| 亚洲精品国产av成人精品| 天天躁狠狠躁夜夜躁狠狠躁| 国产免费现黄频在线看| av福利片在线| 国产视频首页在线观看| 欧美成人精品欧美一级黄| 国产成人午夜福利电影在线观看| 中文天堂在线官网| 黑人猛操日本美女一级片| 美女国产高潮福利片在线看| 久久精品熟女亚洲av麻豆精品| 男女免费视频国产| 日本wwww免费看| 日韩欧美精品免费久久| 免费黄频网站在线观看国产| 成人亚洲欧美一区二区av| 色吧在线观看| a级毛片黄视频| 精品一品国产午夜福利视频| 久久久亚洲精品成人影院| 久久久久人妻精品一区果冻| 黄网站色视频无遮挡免费观看| 国产午夜精品一二区理论片| 亚洲精品日韩在线中文字幕| 制服人妻中文乱码| 老汉色∧v一级毛片| 女人久久www免费人成看片| 免费高清在线观看视频在线观看| 国产视频首页在线观看| 人妻系列 视频| 日本黄色日本黄色录像| 男人操女人黄网站| 一区二区三区四区激情视频| 99久久人妻综合| 色网站视频免费| 又粗又硬又长又爽又黄的视频| 在线 av 中文字幕| 日本欧美视频一区| 国产白丝娇喘喷水9色精品| 欧美bdsm另类| 久久综合国产亚洲精品| 日韩一区二区三区影片| 国产欧美亚洲国产| 色婷婷av一区二区三区视频| 一区二区三区乱码不卡18| 亚洲第一av免费看| 交换朋友夫妻互换小说| 中文字幕最新亚洲高清| 亚洲国产欧美日韩在线播放| 久久女婷五月综合色啪小说| 亚洲综合色惰| 亚洲欧美中文字幕日韩二区| 80岁老熟妇乱子伦牲交| 国产精品 国内视频| 两个人看的免费小视频| 免费看av在线观看网站| 久久女婷五月综合色啪小说| 久久久国产一区二区| 午夜激情av网站| 亚洲,欧美精品.| 最黄视频免费看| 丰满少妇做爰视频| 一级爰片在线观看| 老鸭窝网址在线观看| 青春草亚洲视频在线观看| 人妻系列 视频| 国产成人精品无人区| 欧美精品国产亚洲| 99热全是精品| 捣出白浆h1v1| 久久久久久伊人网av| 国产精品嫩草影院av在线观看| 人妻 亚洲 视频| 欧美bdsm另类| 老司机亚洲免费影院| 亚洲精品一二三| 免费播放大片免费观看视频在线观看| 一本久久精品| 欧美变态另类bdsm刘玥| 久久精品国产自在天天线| 亚洲欧美清纯卡通| 午夜免费男女啪啪视频观看| av福利片在线| 不卡av一区二区三区| 亚洲视频免费观看视频| 五月伊人婷婷丁香| 一本大道久久a久久精品| 18+在线观看网站| 亚洲美女视频黄频| 女性被躁到高潮视频| 尾随美女入室| 女人精品久久久久毛片| a 毛片基地| 日韩,欧美,国产一区二区三区| 中文字幕色久视频| 亚洲成人一二三区av| 亚洲av电影在线进入| 一边亲一边摸免费视频| 久久久久久免费高清国产稀缺| 国产精品av久久久久免费| 性少妇av在线| 人妻系列 视频| 美女高潮到喷水免费观看| 啦啦啦在线观看免费高清www| 国产亚洲一区二区精品| 国产高清不卡午夜福利| 国产高清国产精品国产三级| 久久精品国产鲁丝片午夜精品| 纵有疾风起免费观看全集完整版| 国产亚洲最大av| www.自偷自拍.com| 天天躁夜夜躁狠狠久久av| 国产av国产精品国产| 国产精品久久久av美女十八| 欧美日韩亚洲国产一区二区在线观看 | 两个人免费观看高清视频| 黄片无遮挡物在线观看| 美女福利国产在线| 国产免费又黄又爽又色| 国产精品无大码| 一本久久精品| a级片在线免费高清观看视频| 日本wwww免费看| 日韩一区二区三区影片| 色网站视频免费| 精品第一国产精品| 午夜福利视频在线观看免费| 又大又黄又爽视频免费| 性色av一级| 2022亚洲国产成人精品| 国产老妇伦熟女老妇高清| 亚洲经典国产精华液单| 亚洲精品国产色婷婷电影| 老熟女久久久| av在线观看视频网站免费| 咕卡用的链子| 免费看不卡的av| 免费不卡的大黄色大毛片视频在线观看| 天堂俺去俺来也www色官网| 亚洲欧美一区二区三区黑人 | 热99久久久久精品小说推荐| 亚洲美女视频黄频| 亚洲四区av| 亚洲av电影在线进入| 青青草视频在线视频观看| 国产精品麻豆人妻色哟哟久久| 婷婷色综合大香蕉| 777久久人妻少妇嫩草av网站| 亚洲成色77777| 我的亚洲天堂| 国产成人精品一,二区| 免费在线观看黄色视频的| 亚洲欧美日韩另类电影网站| 制服丝袜香蕉在线| 高清不卡的av网站| 精品人妻在线不人妻| 99久久中文字幕三级久久日本| 国产精品久久久久久精品古装| 日韩一本色道免费dvd| 午夜老司机福利剧场| 国产一区二区三区综合在线观看| xxx大片免费视频| 中文字幕制服av| 麻豆av在线久日| 欧美 亚洲 国产 日韩一| 欧美日本中文国产一区发布| 欧美少妇被猛烈插入视频| 精品亚洲成国产av| 日韩精品有码人妻一区| 建设人人有责人人尽责人人享有的| 日本-黄色视频高清免费观看| 免费观看无遮挡的男女| 久久毛片免费看一区二区三区| 亚洲av福利一区| av在线app专区| 亚洲欧美成人综合另类久久久| 久久久精品区二区三区| a级毛片在线看网站| 成年人午夜在线观看视频| 成人亚洲欧美一区二区av| 久久国产亚洲av麻豆专区| 久久久久精品人妻al黑| 久久热在线av| 久久毛片免费看一区二区三区| 一边亲一边摸免费视频| tube8黄色片| 99热网站在线观看| 九九爱精品视频在线观看| 成人黄色视频免费在线看| 三级国产精品片| 久久久久久久久久久久大奶| 免费日韩欧美在线观看| 欧美日韩一区二区视频在线观看视频在线| 精品少妇内射三级| 午夜福利在线免费观看网站| 99久久综合免费| 久久国产精品大桥未久av| 亚洲国产最新在线播放| 丝袜美腿诱惑在线| 丰满少妇做爰视频| 在线天堂最新版资源| 久久精品国产综合久久久| 不卡视频在线观看欧美| 看免费av毛片| 欧美日本中文国产一区发布| 午夜福利视频精品| 亚洲在久久综合| 国产av国产精品国产| 久久99蜜桃精品久久| 一级a爱视频在线免费观看| 交换朋友夫妻互换小说| 一本大道久久a久久精品| 国产av精品麻豆| av电影中文网址| 日本-黄色视频高清免费观看| 免费日韩欧美在线观看| 不卡视频在线观看欧美| 成人影院久久| 国产毛片在线视频| 国产一区二区 视频在线| 热99久久久久精品小说推荐| 免费av中文字幕在线| 久久这里有精品视频免费| 熟女少妇亚洲综合色aaa.| 国产色婷婷99| 777米奇影视久久| 免费少妇av软件| 精品午夜福利在线看| 三上悠亚av全集在线观看| 日韩伦理黄色片| 妹子高潮喷水视频| 超色免费av| 啦啦啦啦在线视频资源| 在线观看免费日韩欧美大片| 人妻系列 视频| 亚洲av国产av综合av卡| 亚洲精品第二区| 日韩人妻精品一区2区三区| 国产黄色视频一区二区在线观看| 电影成人av| 亚洲五月色婷婷综合| 这个男人来自地球电影免费观看 | 日本爱情动作片www.在线观看| 十八禁网站网址无遮挡| 久久久久久久精品精品| 国产欧美亚洲国产| 国产成人免费无遮挡视频| 色94色欧美一区二区| av国产久精品久网站免费入址| 欧美最新免费一区二区三区| videossex国产| 香蕉丝袜av| 老司机亚洲免费影院| 欧美精品一区二区大全| 一二三四在线观看免费中文在| 亚洲精品自拍成人| 秋霞在线观看毛片| 国产精品偷伦视频观看了| 日韩中文字幕欧美一区二区 | 欧美日韩av久久| 久久久亚洲精品成人影院| 一级a爱视频在线免费观看| 18在线观看网站|