[论文解读] Deep Learning for Image Denoising: A Survey

Chunwei Tian, Yong Xu+2 more|arXiv (Cornell University)|Oct 11, 2018

Image and Signal Denoising Methods参考文献 30被引用 9

一句话总结

本综述全面回顾了用于图像去噪的深度学习技术，重点聚焦于卷积神经网络（CNN）模型，如DnCNN、FFDNet和IRCNN，这些模型通过端到端映射学习以去除加性白高斯噪声（AWGN）。结果表明，深度学习方法实现了最先进性能，其中DnCNN在BSD68数据集上于σ = 25时达到29.23 dB的PSNR，优于传统方法BM3D（28.57 dB）。

ABSTRACT

Since the proposal of big data analysis and Graphic Processing Unit (GPU), the deep learning technology has received a great deal of attention and has been widely applied in the field of imaging processing. In this paper, we have an aim to completely review and summarize the deep learning technologies for image denoising proposed in recent years. Morever, we systematically analyze the conventional machine learning methods for image denoising. Finally, we point out some research directions for the deep learning technologies in image denoising.

研究动机与目标

• 系统性地回顾并总结近期用于图像去噪的深度学习方法。
• 将深度学习方法与传统机器学习技术在图像去噪中的表现进行比较。
• 识别当前基于深度学习的去噪方法中的关键挑战，例如对真实世界噪声泛化能力有限。
• 提出未来研究方向，以提升低层次视觉任务中模型的鲁棒性与通用性。

提出的方法

• 采用端到端深度神经网络，特别是CNN，以学习从含噪图像到干净图像的直接映射。
• 在DnCNN等架构中引入残差学习与批量归一化（BN），以稳定训练并提升收敛速度。
• 在FFDNet中引入噪声等级图输入，实现对多种噪声水平的盲去噪。
• 在IRCNN和DDRN等网络中结合空洞卷积与跳跃连接，以扩大感受野并保留细节。
• 将基于模型的优化方法与深度学习相结合（如IRCNN），以稳健求解逆问题。
• 利用GPU加速与大规模数据，高效训练深层网络。

实验结果

研究问题

• RQ1 基于深度学习的图像去噪方法在性能上如何与BM3D和WNNM等经典方法相比？
• RQ2 哪些架构创新（如残差学习、空洞卷积）促成了最先进的去噪性能？
• RQ3 为何当前的深度学习模型在AWGN上表现优异，却在真实世界噪声（如低光照、乘性噪声）上表现不佳？
• RQ4 是否可以设计单一深度学习模型，使其在去噪、超分辨率和去模糊等多个低层次视觉任务中实现泛化？
• RQ5 在部署深度学习方法处理盲噪声与多样化噪声类型时，存在哪些关键限制与开放挑战？

主要发现

• DnCNN在BSD68数据集上于σ = 25时达到29.23 dB的PSNR，优于BM3D（28.57 dB）及其他经典方法。
• FFDNet在PSNR与速度两方面均优于CBM3D，在BSD68上达到29.19 dB，并通过噪声等级图输入实现对不同噪声水平的鲁棒性。
• IRCNN结合了基于优化的先验与CNN，实现29.15 dB的PSNR，并支持单模型多任务学习。
• 残差学习与批量归一化的应用显著提升了深层去噪网络的训练稳定性与收敛速度。
• 尽管在AWGN上表现优异，当前模型在真实世界噪声（如低光照或乘性噪声）上仍无法实现良好泛化。
• 目前亟需统一的网络架构，能够以单一模型处理多种低层次视觉任务（如去噪、超分辨率、去模糊）