摘要
提升（Boosting）是一种经典算法，已在多种计算机视觉任务中取得成功应用。然而，在图像去噪任务中，现有的提升算法已逐渐被新兴的基于学习的模型所超越。本文提出一种新型的深度提升框架（Deep Boosting Framework, DBF），该框架以前馈方式集成多个卷积网络。然而，随着集成网络的引入，提升框架的深度显著增加，导致训练难度大幅提升。为解决这一问题，本文引入密集连接（Dense Connection）机制，有效缓解了训练过程中的梯度消失问题。此外，我们提出一种路径扩展融合策略，并结合空洞卷积（Dilated Convolution），构建出一种轻量且高效的卷积网络作为提升单元，命名为空洞密集融合网络（Dilated Dense Fusion Network, DDFN）。大量实验结果表明，所提出的DBF在多个广泛使用的基准数据集上，针对不同去噪任务均显著优于现有方法。