增强U-Net以双边过器噪声残留和梯度估计 (BIRUNet) 进行图像无声化

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 卷积神经网络 (CNN) 在计算机视觉任务中取得了成功,例如图像消噪.
• 传统的U-Net无声化模型可能在计算上昂贵,并且受到学习噪声模式的限制.
• 现有的U-Net变体经常因高计算成本和受限制的重建质量而扎.

研究的目的:

• 通过结合手动图像先验来提高U-Net对图像染的学习能力.
• 开发一个有效的图像消光模型,解决现有的U-Net变体的局限性.
• 为了提高噪音重建质量,同时保持重要的图像细节.

主要方法:

• 拟议的BIRUNet:一个基于双边过器的噪声残留U-Net,具有梯度估计.
• 集成的手动图像先验:噪声残留 (双边过器) 和梯度信息.
• 使用编码解码器U-Net架构,提供连接的噪音图像和前置.

主要成果:

• BIRUNet在多个数据集的定量和视觉评估中表现出卓越的表现.
• 在高噪音水平 (σ=50) 时,达到26.66dB的峰值信号噪声比 (PSNR).
• 在保护边缘细节方面表现出有效性,具有竞争力的结构相似度指数 (SSIM) 值.

结论:

• 即使在具有挑战性的条件下,BIRUNet也能有效地从噪音较大的对应器中重建清洁的图像.
• 双边过和梯度估计的整合提高了消除噪声的性能和细节的保存.
• 拟议的模型提供了一个计算效率高和高性能解决方案,用于图像 denoising 任务.