Bildrestauration mit konvolutionellen Autoencodern und symmetrischen Skip-Verbindungen

Bildrestauration, einschließlich Bildrauschenreduzierung, Super-Resolution, Inpainting und anderen Verfahren, ist ein gut untersuchtes Problem im Bereich der Computer Vision und Bildverarbeitung sowie ein Testfeld für Algorithmen zur Modellierung von Niveau-basierten Bildern. In dieser Arbeit schlagen wir ein sehr tiefes vollständig konvolutionsbasiertes Auto-Encoder-Netzwerk für die Bildrestauration vor, das einen Kodierer-Dekodierer-Framework mit symmetrischen konvolutiven-entkonvolutiven Schichten darstellt. Mit anderen Worten besteht das Netzwerk aus mehreren Schichten von Konvolutionen und Entkonvolutionen (Deconvolutions), die End-to-End-Zuordnungen von beschädigten zu originalen Bildern lernen. Die konvolutiven Schichten erfassen die Abstraktion des Bildinhalts und eliminieren dabei Störungen. Die entkonvolutiven Schichten verfügen über die Fähigkeit, die Merkmalskarten aufzustufen (upsample) und die Bildetails wiederherzustellen. Um das Problem zu bewältigen, dass tiefer gehende Netze tendenziell schwieriger zu trainieren sind, schlagen wir vor, konvolutive und entkonvolutive Schichten durch Skip-Layer-Verbindungen symmetrisch zu verknüpfen. Dies führt dazu, dass das Training viel schneller konvergiert und bessere Ergebnisse erzielt.