CDLNet: Robuste und Interpretierbare Entstörung durch Tiefes Faltungs-Wörterbuch-Lernen

Methoden auf der Basis des Deep Learnings erzielen standesübliche Ergebnisse bei der Bildentrausung, sind jedoch aufgrund ihrer Konstruktion aus wenig verstandenen Bausteinen wie Batch-Normalisierung, Residuallernen und Verarbeitung im Merkmalsbereich schwer zu interpretieren. Entfaltete Optimierungsnetze bieten eine interpretierbare Alternative zur Konstruktion tiefer neuronaler Netze, indem sie ihre Architektur aus klassischen iterativen Optimierungsmethoden ableiten, ohne dabei auf Tricks aus dem Standard-Toolbox des Deep Learnings zurückzugreifen. Bislang haben solche Methoden eine Leistung nahe an jener von standesüblichen Modellen gezeigt, während sie durch ihre interpretierbare Konstruktion eine vergleichsweise geringe Anzahl von gelernten Parametern erreichen. In dieser Arbeit schlagen wir ein entfaltetes Faltungs-Wörterbuch-Lernnetz (CDLNet) vor und demonstrieren seine wettbewerbsfähige Entrausungsleistung sowohl bei niedriger als auch bei hoher Anzahl von Parametern. Insbesondere zeigen wir, dass das vorgeschlagene Modell die standesüblichen Entrausungsmodelle übertrifft, wenn es auf eine ähnliche Anzahl von Parametern skaliert wird. Darüber hinaus nutzen wir die interpretierbare Konstruktion des Modells, um eine Erweiterung der Schwellwerte des Netzwerks vorzuschlagen, die standesübliche blinden Entrausungsleistungen und fast perfekte Generalisierung auf während des Trainings nicht beobachtete Rauschpegel ermöglicht.