超越高斯去噪器：基于深度CNN的图像去噪残差学习

近年来，由于其出色的去噪性能，判别模型学习在图像去噪领域引起了广泛关注。本文在此基础上进一步研究了前馈去噪卷积神经网络（DnCNN）的构建，旨在将非常深的架构、学习算法和正则化方法的进步应用于图像去噪。具体而言，残差学习和批量归一化被用于加速训练过程并提升去噪性能。与现有的判别去噪模型通常为某一特定噪声水平的加性白高斯噪声（AWGN）训练一个特定模型不同，我们的DnCNN模型能够处理未知噪声水平的高斯去噪（即盲高斯去噪）。通过残差学习策略，DnCNN在隐藏层中隐式地移除了潜在的干净图像。这一特性促使我们训练单一的DnCNN模型来应对多种通用图像去噪任务，如高斯去噪、单幅图像超分辨率和JPEG图像解块。大量实验表明，我们的DnCNN模型不仅在多个通用图像去噪任务中表现出高效性，而且得益于GPU计算的支持，可以高效实现。