R3L：通过残差恢复将深度强化学习与循环神经网络连接用于图像去噪

当前最先进的图像去噪方法通常基于深度神经网络，并采用确定性训练策略。相比之下，近期一些研究尝试利用深度强化学习来恢复遭受多种或未知退化影响的图像。尽管深度强化学习在图像恢复任务中能够有效生成用于算子选择或网络结构搜索的策略网络，但其与经典确定性训练在求解逆问题中的内在联系仍不清晰。为此，本文提出一种基于强化学习的残差恢复图像去噪新方法，命名为R3L（Residual Recovery using Reinforcement Learning）。我们证明，R3L等价于一种使用随机奖励进行训练的深度循环神经网络，这与多数主流去噪方法所采用的基于确定性损失的监督学习形成鲜明对比。为评估强化学习在R3L中的有效性，我们采用相同网络架构训练了一个循环神经网络，但使用确定性损失进行残差恢复，从而系统分析两种不同训练策略对去噪性能的影响。通过构建这一统一的对比基准体系，实验结果表明：当噪声水平估计存在偏差时，所提出的R3L方法在图像去噪任务中展现出更优的泛化能力与鲁棒性，显著优于采用确定性训练的同类方法，以及多种当前最先进的图像去噪算法。