تجاوز مُنظف جاوس: التعلم المتبقي لـ CNN العميقة لإزالة الضوضاء من الصور

التعلم النموذجي التمييزي لإزالة الضوضاء من الصور يجذب اهتمامًا كبيرًا مؤخرًا بفضل أدائه المتميز في إزالة الضوضاء. في هذا البحث، نتقدم خطوة إلى الأمام من خلال دراسة بناء شبكات العصبيات التلافيفية ذات الاتجاه الأمامي (DnCNNs) لدمج التقدم الحاصل في الهندسة العميقة جدًا، خوارزميات التعلم، وطرق التنظيم في إزالة الضوضاء من الصور. تحديدًا، يتم استخدام تعلم الفروق والتطبيع الدُفعة لتسريع عملية التدريب وتعزيز أداء إزالة الضوضاء. على عكس النماذج التمييزية الموجودة لإزالة الضوضاء والتي غالبًا ما يتم تدريبها لنموذج محدد للضوضاء البيضاء الغaussian (AWGN) عند مستوى ضوضاء معين، فإن نموذج DnCNN الخاص بنا قادر على التعامل مع إزالة الضوضاء gaussian بمستوى ضوضاء غير معروف (أي إزالة الضوضاء gaussian العمياء). باستخدام استراتيجية تعلم الفروق، يقوم DnCNN بإزالة الصورة النظيفة الكامنة ضمن الطبقات الخفية بشكل ضمني. هذه الخاصية تحفزنا على تدريب نموذج DnCNN واحد للتعامل مع عدة مهام عامة لإزالة الضوضاء من الصور مثل إزالة الضوضاء gaussian، زيادة دقة الصورة الواحدة، وإلغاء كتلة صورة JPEG. تُظهر التجارب الواسعة التي أجريناها أن نموذج DnCNN الخاص بنا ليس فقط قادرًا على تحقيق فعالية عالية في عدة مهام عامة لإزالة الضوضاء من الصور، ولكنه يمكن تنفيذه بكفاءة أيضًا بفضل حسابات GPU.