Denoisage d'images par convolution graphique profonde

La non-localité de l'auto-similarité est bien connue pour être un a priori efficace dans le problème de débruitage d'images. Cependant, peu de travaux ont été consacrés à son intégration dans les réseaux neuronaux convolutifs, qui surpassent les méthodes basées sur des modèles non-locaux malgré l'utilisation exclusive d'informations locales. Dans cet article, nous proposons une nouvelle architecture de réseau neuronal entièrement apprenable par entraînement, utilisant des couches basées sur des opérations de convolution graphique, créant ainsi des neurones dotés de champs récepteurs non-locaux. L'opération de convolution graphique généralise la convolution classique aux graphes arbitraires. Dans ce travail, le graphe est calculé dynamiquement à partir des similarités entre les caractéristiques cachées du réseau, permettant ainsi d'exploiter les capacités puissantes d'apprentissage de représentation du réseau pour découvrir des motifs auto-similaires. Nous introduisons une convolution conditionnée par les arêtes légère (Edge-Conditioned Convolution), qui résout les problèmes de disparition du gradient et de sur-paramétrisation propres à cette convolution graphique particulière. De nombreuses expériences montrent des performances d'état de l'art avec des résultats qualitatifs et quantitatifs améliorés tant sur le bruit gaussien synthétique que sur le bruit réel.