Dénombrement d'images réelles avec attention aux caractéristiques

Les réseaux de neurones convolutifs profonds (CNN) se comportent mieux sur des images contenant du bruit invariant dans l'espace (bruit synthétique) ; cependant, leurs performances sont limitées sur des photographies réelles bruyantes et nécessitent une modélisation en plusieurs étapes. Pour améliorer la praticabilité des algorithmes de débruitage, cet article propose un nouveau réseau de débruitage d'images réelles aveugle en une seule étape (RIDNet) en utilisant une architecture modulaire. Nous utilisons une structure résiduelle sur résiduelle pour faciliter le flux d'informations à basse fréquence et appliquons l'attention aux caractéristiques pour exploiter les dépendances entre canaux. De plus, l'évaluation en termes de métriques quantitatives et de qualité visuelle sur trois jeux de données synthétiques et quatre jeux de données réels bruyants, comparée à 19 algorithmes de pointe, démontre la supériorité de notre RIDNet.