FFDNet: Auf dem Weg zu einer schnellen und flexiblen Lösung für CNN-basiertes Bildentrauschen

Aufgrund der schnellen Inferenz und guten Leistung werden diskriminative Lernmethoden im Bereich der Bildentrausung intensiv untersucht. Allerdings lernen diese Methoden in der Regel ein spezifisches Modell für jede Rauschstufe und erfordern mehrere Modelle zur Entrausung von Bildern mit unterschiedlichen Rauschstufen. Sie fehlen auch an Flexibilität, um räumlich variierendes Rauschen zu bearbeiten, was ihre praktische Anwendung in der Entrausung einschränkt. Um diese Probleme zu lösen, präsentieren wir ein schnelles und flexibles Entrausungs-Convolutional Neural Network (CNN), nämlich FFDNet, das eine einstellbare Rauschstufenkarte als Eingabe verwendet. Das vorgeschlagene FFDNet arbeitet auf unterabgetasteten Teilbildern und erreicht dabei einen guten Kompromiss zwischen Inferenzgeschwindigkeit und Entrausungsleistung. Im Gegensatz zu den bestehenden diskriminativen Entrausungsmethoden bietet FFDNet mehrere wünschenswerte Eigenschaften: (i) die Fähigkeit, einen breiten Bereich von Rauschstufen (d.h., [0, 75]) effektiv mit einem einzigen Netzwerk zu verarbeiten, (ii) die Fähigkeit, räumlich variierendes Rauschen durch Angabe einer nicht-uniformen Rauschstufenkarte zu entfernen, und (iii) eine schnellere Geschwindigkeit als das Benchmark-Verfahren BM3D, selbst auf CPU ohne die Entrausungsleistung zu beeinträchtigen. Ausführliche Experimente mit synthetischen und realen rauscharmen Bildern wurden durchgeführt, um FFDNet im Vergleich zu den neuesten Entrausungsmethoden zu bewerten. Die Ergebnisse zeigen, dass FFDNet sowohl effektiv als auch effizient ist, was es für praktische Anwendungen in der Bildentrausung sehr attraktiv macht.