Blind Universelle Bayes'sche Bildentrauschung mit Gaußschem Rauschpegellernen

Blindes und universelles Bildrauschenreduzieren besteht darin, ein einziges Modell zu verwenden, das Bilder mit beliebigem Rauschpegel entrauscht. Dies ist besonders praktisch, da die Rauschpegel weder bei der Entwicklung des Modells noch zur Testzeit bekannt sein müssen. Wir schlagen einen theoretisch fundierten, blinden und universellen Tiefenlernansatz für die Entfernung von additivem Gaußschen Rauschen vor. Unser Netzwerk basiert auf einer optimalen Rauschunterdrückungslösung, die wir Fusions-Entrauschung nennen. Diese wird unter der Annahme eines gaußschen Bildpriors theoretisch abgeleitet. Synthetische Experimente zeigen die Generalisierungsfähigkeit unseres Netzwerks für unbekannte additive Rauschpegel. Wir passen auch die Architektur des Fusions-Entrauschungsnetzwerks für die Rauschunterdrückung in realen Bildern an. Unser Ansatz verbessert die PSNR-Ergebnisse für Graustufenbilder in der Realwelt sowohl für die während des Trainings verwendeten Rauschpegel als auch für solche, die während des Trainings nicht vorgekommen sind. Er verbessert zudem den Stand der Technik in Bezug auf Farbbild-Entrauschung bei jedem einzelnen Rauschpegel um durchschnittlich 0,1 dB, unabhängig davon, ob diese Pegel während des Trainings berücksichtigt wurden oder nicht.