
摘要
由于快速推理和良好的性能,判别学习方法在图像去噪领域得到了广泛研究。然而,这些方法大多为每个噪声水平学习一个特定的模型,并且需要多个模型来去除不同噪声水平的图像中的噪声。它们还缺乏处理空间变化噪声的灵活性,限制了其在实际去噪应用中的范围。为了解决这些问题,我们提出了一种快速且灵活的去噪卷积神经网络,即FFDNet,该网络以可调噪声水平图作为输入。所提出的FFDNet对下采样的子图像进行操作,实现了推理速度和去噪性能之间的良好平衡。与现有的判别去噪器相比,FFDNet具有若干理想特性,包括(i)单个网络能够有效处理广泛的噪声水平(即[0, 75]),(ii)通过指定非均匀噪声水平图可以去除空间变化噪声,以及(iii)即使在CPU上运行,其速度也比基准BM3D更快而不牺牲去噪性能。我们对合成和真实噪声图像进行了大量实验,以评估FFDNet与当前最先进的去噪器的对比效果。实验结果表明,FFDNet不仅有效而且高效,在实际去噪应用中具有很高的吸引力。