FFDNet : Vers une solution rapide et flexible pour le débruitage d'images basé sur les CNN

En raison de leur inférence rapide et de leurs bonnes performances, les méthodes d'apprentissage discriminatif ont été largement étudiées dans le domaine du débruitage d'images. Cependant, ces méthodes apprennent généralement un modèle spécifique pour chaque niveau de bruit et nécessitent plusieurs modèles pour débruiter des images avec différents niveaux de bruit. Elles manquent également de flexibilité pour traiter le bruit variant spatialement, ce qui limite leurs applications en débruitage pratique. Pour résoudre ces problèmes, nous présentons un réseau neuronal convolutif rapide et flexible pour le débruitage, appelé FFDNet, qui utilise une carte de niveau de bruit réglable en entrée. Le FFDNet proposé travaille sur des sous-images rééchantillonnées, offrant ainsi un bon compromis entre la vitesse d'inférence et les performances de débruitage. Contrairement aux débruiteurs discriminatifs existants, le FFDNet présente plusieurs propriétés souhaitables, notamment : (i) la capacité à gérer efficacement une large gamme de niveaux de bruit (c'est-à-dire [0, 75]) avec un seul réseau, (ii) la capacité à éliminer le bruit variant spatialement en spécifiant une carte de niveau de bruit non uniforme, et (iii) une vitesse supérieure à celle du BM3D référence, même sur CPU, sans sacrifier les performances de débruitage. De nombreuses expériences ont été menées sur des images synthétiques et réelles bruyantes pour évaluer le FFDNet par rapport aux débruiteurs les plus avancés actuellement disponibles. Les résultats montrent que le FFDNet est à la fois efficace et performant, ce qui le rend très attractif pour les applications pratiques de débruitage.