DN-ResNet

读文章《DN-ResNet: Efficient Deep Residual Network for Image Denoising》

ABStract :本文所提出的DN-ResNet,实质上是一个由几个残差块组成的深度卷积神经网络，与已有方法进行对比，本文所提出的方法能够更加有效地保存图像边缘信息，降噪后的图像有更好的感知质量。其次，本文引入了齿轮分割网络（实际上是将原来的ResBlock 替换为DS-ResBlocks,减少了计算量），降噪噪声分布使用加性高斯白噪声。结果显示DN-ResNet更加有效.

1. Introduction:

陈述问题:

为什么要引入新的结构？

现有的神经网络因为网络结构过于庞大不能够被实时运行，除此之外，有以下几个问题

1.设置超参数困难（初始化参数，学习率，权重衰减）

2.可能会陷入局部最小化

本文有三个创新点：

1.提出边缘保存损失函数

2.引入DS-ResBlock进入DN-ResNet,得到DS-DN-ResNet

3.DN-ResNet 对于任意级别的噪声水平都应对的比较好

2.Related work

2.1 Image denoising

NSS,BM3D,I+VST+BM3D,GAT-BM3D,TNRD

3.Denoising Residual Network

DN-ResNet

传统残差块不同的地方在于

为什么要移除batchnormalization，文中说是对于特征图片不会有损伤。

整体网络结构如下所示

Edge_aware loss function

大多数现存的降噪网络通过在训练数据集最小化MSE，本文提出一种edge-aware loss function,相比于非边缘像素,在边缘的像素能够被给予更高的权值，.

$Loss=\frac{1}{N}\sum_{i=1} ^N{{\mid\mid\ X{_i}-{\hat{X{_i}}}\mid\mid}^2+w\times\frac{1}{N}\sum_{i=1}^N{\mid\mid\ X{_i}M{_i}-{\hat X{_i}M{_i}}}}\mid\mid^2$Loss=N1​i=1∑N​∣∣ Xi​−Xi​^​∣∣2+w×N1​i=1∑N​∣∣ Xi​Mi​−X^i​Mi​∣∣2

$X{_i}：ith \ ground\ truth$Xi​：ith ground truth

$\hat X{i}:i th \ denoised\ image$X^i:ith denoised image

$\ M：edge\ map$ M：edge map

$\N: the \ number \ of \ edge \ map$N:the number of edge map

$\omega:\ constant \ to \ control \ the \ trade-off \ between \ edge \ and \ non-edge \ pixels.$ω: constant to control the trade−off between edge and non−edge pixels.

Edge map 通过sobel filter 或者二值化掩模得出