Deep Boosting pour le débruitage d'images

Le boosting est un algorithme classique qui a été efficacement appliqué à diverses tâches de vision par ordinateur. Toutefois, dans le cadre du débruitage d’images, les algorithmes de boosting existants sont désormais dépassés par les modèles émergents fondés sur l’apprentissage. Dans cet article, nous proposons un nouveau cadre de boosting profond (DBF) pour le débruitage, intégrant plusieurs réseaux de convolution de manière feed-forward. Toutefois, cette intégration entraîne une augmentation significative de la profondeur du cadre de boosting, ce qui complique considérablement l’entraînement. Pour résoudre ce problème, nous introduisons le concept de connexion dense, qui permet de surmonter le phénomène de disparition des gradients lors de l’entraînement. En outre, nous proposons un schéma de fusion à voie élargie, combiné à la convolution dilatée, afin de concevoir un réseau de convolution léger mais efficace, utilisé comme unité de boosting, nommé Réseau de Fusion Dense Dilaté (DDFN). Des expériences approfondies démontrent que notre DBF surpasser les méthodes existantes sur des benchmarks largement utilisés, dans le cadre de différentes tâches de débruitage.