[论文解读] Image Reconstruction Using Deep Learning

Po‐Yu Liu, Edmund Y. Lam|arXiv (Cornell University)|Sep 27, 2018

Medical Imaging and Analysis被引用 9

一句话总结

该论文提出了一种基于深度学习的图像去噪网络，采用卷积与反卷积层的混合架构，并结合对称跳跃连接，专门针对低光照成像中的泊松噪声进行优化。该方法在统计上实现了显著改进，在峰值信号值为4、2和1时，平均PSNR分别提升了0.38 dB、0.68 dB和1.04 dB，同时通过步长调优减少了计算时间。

ABSTRACT

This paper proposes a deep learning architecture that attains statistically significant improvements over traditional algorithms in Poisson image denoising espically when the noise is strong. Poisson noise commonly occurs in low-light and photon- limited settings, where the noise can be most accurately modeled by the Poission distribution. Poisson noise traditionally prevails only in specific fields such as astronomical imaging. However, with the booming market of surveillance cameras, which commonly operate in low-light environments, or mobile phones, which produce noisy night scene pictures due to lower-grade sensors, the necessity for an advanced Poisson image denoising algorithm has increased. Deep learning has achieved amazing breakthroughs in other imaging problems, such image segmentation and recognition, and this paper proposes a deep learning denoising network that outperforms traditional algorithms in Poisson denoising especially when the noise is strong. The architecture incorporates a hybrid of convolutional and deconvolutional layers along with symmetric connections. The denoising network achieved statistically significant 0.38dB, 0.68dB, and 1.04dB average PSNR gains over benchmark traditional algorithms in experiments with image peak values 4, 2, and 1. The denoising network can also operate with shorter computational time while still outperforming the benchmark algorithm by tuning the reconstruction stride sizes.

研究动机与目标

• 为解决监控摄像头和手机摄影等低光照成像应用中对有效泊松去噪日益增长的需求。
• 改进传统去噪算法在强泊松噪声下表现不佳的问题，尤其是在光子受限的环境中。
• 借鉴深度学习在其他视觉任务中的成功经验，开发一种更鲁棒、更高效的泊松噪声去噪解决方案。
• 与基准方法相比，实现更高的峰值信噪比（PSNR）和更快的推理速度。

提出的方法

• 所提出的架构结合卷积与反卷积层，以学习分层特征并从噪声输入中重建高质量图像。
• 引入对称跳跃连接以保留空间细节并增强网络中的特征传播。
• 采用端到端训练方式，损失函数旨在最小化在泊松噪声条件下预测图像与真实图像之间的差异。
• 通过调节重建步长以平衡计算效率与去噪性能，实现在不损失准确性的前提下加快推理速度。
• 该模型专为光子计数较低、噪声服从泊松分布的低光照成像场景而设计。

实验结果

研究问题

• RQ1 基于深度学习的架构是否能在强噪声条件下，尤其在泊松图像去噪任务中超越传统算法？
• RQ2 对称跳跃连接与卷积-反卷积混合设计的整合如何影响去噪性能？
• RQ3 通过调节重建步长，计算效率能在多大程度上提升而不降低图像质量？
• RQ4 所提出方法在不同信噪比条件下，特别是在低峰值值下，是否能保持优越性能？

主要发现

• 所提出的深度学习去噪网络在峰值信号值为4时，相较于传统算法实现了平均0.38 dB的PSNR增益。
• 在峰值值为2时，网络实现了平均PSNR 0.68 dB的提升，表明在更强噪声下性能更优。
• 在峰值值为1时，网络实现了1.04 dB的平均PSNR增益，表明在极端低光照条件下具有显著优势。
• 通过优化重建步长调优，网络在保持高于基准方法准确性的前提下，降低了计算时间。