Réseau spatial-adaptatif pour le débruitage d’image unique

Les travaux antérieurs ont montré que les réseaux neuronaux convolutifs peuvent atteindre de bons résultats dans les tâches de débruitage d’images. Toutefois, limités par l’opération convolutive locale et rigide, ces méthodes entraînent souvent des artefacts de sur-lissage. Bien qu’une architecture plus profonde puisse atténuer ces problèmes, elle nécessite une surcharge computationnelle accrue. Dans cet article, nous proposons un nouveau réseau de débruitage spatial-adaptatif (SADNet) pour une suppression efficace du bruit dans une seule image, sans connaissance préalable sur la nature du bruit (blind noise removal). Pour s’adapter aux variations des textures et des contours spatiaux, nous avons conçu un bloc résiduel adaptatif spatialement. La convolution déformable est introduite afin d’échantillonner des caractéristiques spatialement corrélées, qui sont ensuite pondérées. Une architecture encodeur-décodeur incluant un bloc contextuel est adoptée pour capturer des informations à plusieurs échelles. En effectuant le débruitage de manière progressive, du grossier au fin, une image débruitée de haute qualité peut être obtenue. Nous avons appliqué notre méthode à des jeux de données d’images bruitées synthétiques et réelles. Les résultats expérimentaux démontrent que notre approche surpasser les méthodes de débruitage de pointe, tant sur le plan quantitatif que visuel.