摘要
近期关于图像去噪的研究随着深度学习架构的发展，尤其是卷积神经网络的进步而取得了显著进展。然而，现实世界中的图像去噪仍然非常具有挑战性，因为无法获得理想的地面真值图像与实际噪声图像的配对。得益于最近发布的基准数据集，图像去噪领域的研究兴趣正逐渐转向解决现实世界的去噪问题。在本文中，我们提出了一种分组残差密集网络（Grouped Residual Dense Network, GRDN），这是当前最先进的残差密集网络（Residual Dense Network, RDN）的一种扩展和泛化架构。RDN的核心部分被定义为分组残差密集块（Grouped Residual Dense Block, GRDB），并作为GRDN的构建模块使用。通过实验我们证明，通过级联GRDB可以显著提高图像去噪性能。除了网络架构设计外，我们还开发了一种基于生成对抗网络的新现实世界噪声建模方法。我们在NTIRE2019真实图像去噪挑战赛——赛道2:sRGB中，通过在峰值信噪比和结构相似度两个指标上取得最高分数，展示了所提方法的优势。