NBNet : Apprentissage de la base de bruit pour le débruitage d'images par projection sur sous-espace

Dans cet article, nous introduisons NBNet, un cadre novateur pour le débruitage d’images. Contrairement aux travaux antérieurs, nous abordons ce problème difficile sous un nouvel angle : la réduction du bruit par projection adaptative à l’image. Plus précisément, nous proposons d’entraîner un réseau capable de séparer le signal du bruit en apprenant un ensemble de bases de reconstruction dans l’espace des caractéristiques. Le débruitage image peut ainsi être réalisé en sélectionnant les bases correspondant au sous-espace signal et en projetant l’image d’entrée dans cet espace. Notre principal constat est que la projection permet naturellement de préserver la structure locale du signal d’entrée, en particulier dans les régions à faible luminosité ou à textures faibles. À cet effet, nous proposons SSA, un module d’attention de sous-espace non-local conçu spécifiquement pour apprendre à la fois la génération des bases et la projection dans le sous-espace. Nous intégrons ensuite SSA dans NBNet, un réseau structuré selon l’architecte UNet, conçu pour le débruitage d’images en bout-en-bout. Nous menons des évaluations sur des benchmarks, notamment SIDD et DND, où NBNet atteint des performances de pointe en termes de PSNR et de SSIM, tout en nécessitant un coût computationnel significativement réduit.