R3L : Mettre en relation l'apprentissage par renforcement profond aux réseaux de neurones récurrents pour le débruitage d'images par récupération résiduelle

Les dénoiseurs d’images de pointe exploitent divers types de réseaux de neurones profonds via une entraînement déterministe. En revanche, des travaux très récents utilisent l’apprentissage par renforcement profond pour restaurer des images soumises à des perturbations variées ou inconnues. Bien que l’apprentissage par renforcement profond puisse générer des réseaux de politiques efficaces pour la sélection d’opérateurs ou la recherche d’architecture en restauration d’images, le lien entre cette approche et l’entraînement déterministe classique dans la résolution des problèmes inverses reste encore flou. Dans ce travail, nous proposons un nouveau schéma de débruitage d’images basé sur le rétablissement résiduel par apprentissage par renforcement, appelé R3L (Residual Recovery using Reinforcement Learning). Nous montrons que R3L équivaut à un réseau de neurones récurrents profonds entraîné à l’aide d’une récompense stochastique, contrairement à de nombreux dénoiseurs populaires qui utilisent un apprentissage supervisé avec des pertes déterministes. Pour évaluer l’efficacité de l’apprentissage par renforcement dans R3L, nous entraînons un réseau récurrent de même architecture pour le rétablissement résiduel en utilisant une perte déterministe, afin d’analyser l’impact des deux stratégies d’entraînement sur la performance du débruitage. Grâce à ce système d’évaluation unifié, nous démontrons que le R3L proposé présente une meilleure généralisation et robustesse dans le débruitage d’images lorsque le niveau de bruit estimé varie, par rapport à ses homologues entraînés de manière déterministe ainsi qu’à divers algorithmes d’état de l’art en débruitage d’images.