CDLNet : Débruitage robuste et interprétable par apprentissage profond de dictionnaires convolutifs

Les méthodes basées sur l'apprentissage profond obtiennent des résultats de pointe en matière de débruitage d'images, mais elles restent difficiles à interpréter en raison de leur construction à partir de blocs de base mal compris tels que la normalisation par lots, l'apprentissage résiduel et le traitement dans le domaine des caractéristiques. Les réseaux d'optimisation déroulés proposent une alternative interprétable à la construction de réseaux neuronaux profonds en dérivant leur architecture des méthodes d'optimisation itérative classiques, sans recourir aux astuces du boîtier à outils standard de l'apprentissage profond. Jusqu'à présent, ces méthodes ont montré des performances proches de celles des modèles de pointe tout en utilisant leur construction interprétable pour atteindre un nombre appris de paramètres comparativement faible. Dans ce travail, nous proposons un réseau d'apprentissage par dictionnaire convolutif déroulé (CDLNet) et démontrons ses performances compétitives en débruitage d'images, tant dans les régimes à faible qu'à fort nombre de paramètres. Plus précisément, nous montrons que le modèle proposé surpasse les modèles de débruitage de pointe lorsqu'il est échelonné à un nombre similaire de paramètres. De plus, nous exploitons la construction interprétable du modèle pour proposer une augmentation des seuils du réseau qui permet des performances exceptionnelles en débruitage aveugle et une généralisation quasi-parfaite sur des niveaux de bruit non rencontrés lors de l'entraînement.