Selektives Residuum-M-Net für die Entstörung echter Bilder

Bildrestaurierung ist eine Aufgabe des niedrigen Levels in der Computer Vision, bei der verunreinigte Bilder in rauschfreie Bilder zurückgeführt werden sollen. Durch den Erfolg tiefer neuronaler Netze haben sich convolutionale neuronale Netze den traditionellen Restaurierungsmethoden gegenüber durchgesetzt und sind zur Standardmethode im Bereich der Computer Vision geworden. Um die Leistung von Rauschunterdrückungsalgorithmen weiter zu verbessern, schlagen wir ein blindes Netzwerk für die Rauschunterdrückung realer Bilder (SRMNet) vor, das auf einer hierarchischen Architektur basiert, die von U-Net abgeleitet und verbessert wurde. Konkret nutzen wir einen selektiven Kernel in Verbindung mit einem Residual-Block innerhalb der hierarchischen Struktur, die als M-Net bezeichnet wird, um die semantische Information auf mehreren Skalen zu verfeinern. Darüber hinaus erzielt unser SRMNet hervorragende Ergebnisse sowohl hinsichtlich quantitativer Metriken als auch hinsichtlich der visuellen Qualität auf zwei synthetischen und zwei realen Datensätzen mit Rauschen. Der Quellcode und das vortrainierte Modell sind unter https://github.com/TentativeGitHub/SRMNet verfügbar.