[论文解读] Integrating Disparate Sources of Experts for Robust Image Denoising.
本文提出 ConsensusNet，一种模块化元框架，通过先对多种图像去噪器（包括传统方法与基于神经网络的方法）的输出进行线性组合，再利用增强型神经网络对结果进行优化，从而实现对多种去噪器的集成。该方法在各类去噪器上均能持续提升去噪性能，减少方法噪声，并在复杂场景中增强鲁棒性。
We study an image denoising problem: Given a set of image denoisers, each having a different denoising capability, can we design a framework that allows us to integrate the individual denoisers to produce an overall better result? If we can do so, then potentially we can integrate multiple weak denoisers to denoise complex scenes. The goal of this paper is to present a meta-procedure called the Consensus Neural Network (ConsensusNet). Given a set of initial denoisers, ConsensusNet takes the initial estimates and generates a linear combination of the results. The combined estimate is then fed to a booster neural network to reduce the amount of method noise. ConsensusNet is a modular framework that allows any image denoiser to be used in the initial stage. Experimental results show that ConsensusNet can consistently improve denoising performance for both deterministic denoisers and neural network denoisers.
研究动机与目标
- 为解决将多种能力各异的图像去噪器整合为统一、改进的去噪方案的挑战。
- 设计一种模块化框架，可无缝集成任意现有去噪器，且无需修改其网络结构。
- 通过学习到的优化过程减少单个去噪器引入的残余方法噪声。
- 通过融合多个弱去噪器的优势，提升在复杂真实场景下的去噪性能。
提出的方法
- ConsensusNet 以一组基础去噪器的初始去噪输出作为输入。
- 通过可学习的线性组合将各去噪器的输出融合为一个共识估计值。
- 将融合后的估计值输入到一个增强型神经网络中，以抑制残余的方法特异性噪声。
- 增强网络通过端到端训练，以最小化噪声图像块的重建误差。
- 该框架具有模块化特性，支持在初始阶段即插即用任意预训练去噪器。
- 最终输出为经过优化的高质量去噪图像，具有更少伪影和更高的结构保真度。
实验结果
研究问题
- RQ1元框架能否有效整合多个弱去噪器，实现超越单个去噪器的性能？
- RQ2去噪器输出的线性组合在降噪效果与伪影抑制方面，相较于单个去噪结果表现如何？
- RQ3增强型神经网络在共识输出中能将方法特异性噪声减少到何种程度？
- RQ4该框架是否能在不同类型去噪器（包括确定性方法与深度学习方法）之间实现良好泛化？
主要发现
- ConsensusNet 在多种基线去噪器（包括传统方法与深度学习方法）上均能持续提升去噪性能。
- 线性组合阶段有效聚合了不同去噪器的互补优势，显著降低了整体重建误差。
- 增强型神经网络显著减少了残余方法噪声，使去噪图像更清晰、更自然。
- 该框架在高噪声水平的复杂场景中表现出强鲁棒性，而单个去噪器常在此类场景下失效。
- 实验结果表明，与单个去噪器及其简单平均方法相比，PSNR 和 SSIM 均有可测量的提升。
- 模块化设计使得无需重新训练整个系统，即可无缝集成新型去噪器。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。