GRDN: Gruppiertes Residuelles Dichtes Netzwerk für die Entstörung von realen Bildern und GAN-basierte Modellierung von realweltmäßigen Rauschen

Neuere Forschungen im Bereich der Bildrauschreduzierung haben mit der Entwicklung von Deep-Learning-Architekturen, insbesondere von Faltungsneuronalen Netzen (Convolutional Neural Networks, CNNs), Fortschritte gemacht. Dennoch bleibt die Bildrauschreduzierung in der realen Welt sehr herausfordernd, da es nicht möglich ist, ideale Paare aus Referenzbildern und realweltlichen rauschigen Bildern zu erhalten. Dank der kürzlich veröffentlichten Benchmark-Datensätze wandert das Interesse der Gemeinschaft für Bildrauschreduzierung nun in Richtung des Problems der realweltlichen Rauschunterdrückung. In dieser Arbeit schlagen wir ein gruppiertes residuelles dichtes Netzwerk (Grouped Residual Dense Network, GRDN) vor, das eine erweiterte und verallgemeinerte Architektur des aktuellen besten residuellen dichten Netzwerks (Residual Dense Network, RDN) darstellt. Der Kernbereich des RDN wird als gruppierte residuale dichte Blöcke (Grouped Residual Dense Blocks, GRDBs) definiert und als Bauelement des GRDN verwendet. Wir zeigen experimentell, dass die Leistungsfähigkeit der Bildrauschreduzierung durch die Kaskadierung von GRDBs erheblich verbessert werden kann. Neben dem Design der Netzwerkarchitektur entwickeln wir auch eine neue Methode zur Modellierung realweltlichen Rauschens auf Basis von generativen adversären Netzwerken (Generative Adversarial Networks, GANs). Wir beweisen die Überlegenheit der vorgeschlagenen Methoden dadurch, dass wir sowohl in Bezug auf das Spitzen-Signal-Rausch-Verhältnis (Peak Signal-to-Noise Ratio, PSNR) als auch auf die strukturelle Ähnlichkeit den höchsten Wert im NTIRE2019 Real Image Denoising Challenge - Track 2: sRGB erreichen.