基于残差密集注意力和多尺度融合神经网络的图像去噪技术研究.pdf

摘要

在计算机视觉领域中，图像去噪是许多图像处理任务的基础，其主要目标是消除噪声并

尽可能地保留图像中的有用信息，从而提高图像质量和准确性。许多基于深度学习技术的去

噪模型由于其灵活性与强大的学习能力，在空间不变噪声的表现上超越了传统算法，但在面

对真实噪声时，许多模型的泛化性能受限，并且需要多级网络建模，在真实场景中无法很好

地处理图像中噪声与细节。基于以上考虑，为了提升算法的实用性，本文基于深度学习技术

针对图像的真实噪声去除这一问题展开了研究，主要内容如下：

首先，本文提出了一种新的三段式盲去噪网络，将噪声图像分别进行特征提取、去噪、

特征融合，主要思路为将经过特征提取子网络得到的特征图进行金字塔池化使得每一个分支

关注一个尺度的特征；在去噪子网络中基于Unet设计残差密集结构用来简化低频信息流，并

应用通道注意力机制让模型在学习的过程中自动地选择对于当前任务更加重要的特征通道；

在特征融合子网络中设计内核选择模块，使得不同大小的卷积核输出具有不同的重要性。此

外，针对均方误差损失缺乏结构信息的问题，本文网络设计了新的损失函数，将全变分损失

函数与均方误差进行结合，在SIDD数据集上验证了其有效性。在真实噪声去除实验中，与

传统算法BM3D和众多先进的深度学习模型相比，本文网络在RNI15数据集的表现上取得了

十分不错的去噪效果。

其次，为了减少模型参数的存储量及计算量，使模型易于部署，同时在最大程度保证模

型的去噪性能，本文基于模型轻量的理论，优化了传统卷积的计算方式，将传统卷积替换为

深度可分离卷积。为了验证可分离卷积在保证图像的去噪性能前提下大幅减少了模型的参数，

DNDSIDDNamRNI15

本文选用真实数据集、、、数据集进行测试。实验数据表明，引入可

1/4

分离卷积的模型参数量上减少为原来的，在去噪效果上主观视觉以及客观数据都有最优秀

的指标。另外，为了验证本文模型中金字塔池化、注意力机制、内核选择模块以及残差密集

块共同作用的必要性，分别做了七个消融实验，实验表明，只有当四个模块同时应用时，模

型的去噪效果最好。

关键词卷积神经网络；残差密集；注意力机制；图像去噪；可分离卷积:

I

Abstract

Inthefieldofcomputervision,imagedenoisingisthefoundationofmanyimageprocessing

tasks,withthemaingoalofeliminatingnoiseandpreservingusefulinformationintheimageas

muchaspossible,therebyimprovingimagequalityandaccuracy.Manydenoisingmodelsbasedon

deeplearningtechnology,duetotheirflexibilityandstronglearningability,surpasstraditional

algorithmsintermsofspatiallyinvariantnoiseperformance.However,whenfacedwithrealnoise,

manymodelshavelimitedgeneralizationperformanceandrequiremulti-levelnetworkmodeling,

whichcannoteffectivelyhandlenoiseanddetailsinimagesinrealscenarios.Basedontheabove

considerations,inordertoenhancethepracticalityofthealgorithm,thisarticleconductsresearch

ontheproblemofremovingrealno