首个硬件资源受限下数据不均匀的图像去噪网络：BRDNet，代码已开源

哈尔滨工业大学的研究人员在国际知名人工智能期刊Neural Networks上2020年发表《Image denoising using deep CNN with batch renormalization》，该文已经被Neural Networks评为2019/2020年最高下载量之一的论文并推送到期刊的首页。

该文提出在硬件资源受限条件如何处理数据分步不均匀问题，同时首次提出利用双路网络提取互补信息思路来进行移除图像的噪声。

论文作者：

Chunwei Tian, Yong Xu, Wangmeng Zuo

论文链接：

https://www.sciencedirect.com/science/article/pii/S0893608019302394

代码链接：

https://github.com/hellloxiaotian/BRDNet

摘要：深度卷积神经网络(CNN)已经在图像去噪领域引起了极大的关注。然而，它有2个不足：(1)训练一个更深的去噪CNN是非常困难的，(2)大部分更深的CNN都会面遭受到性能饱和。在本文， 我们设计一个batch-renormalization denoising network (BRDNet)。特别地，我们组合两个子网络来增加网络的宽度来获得更多特征。因为batch renormalization能融合到BRDNet，我们能解决内部协变量偏移和mini-batch难题。残差学习被用来促进网络训练。空洞卷积是被用来提取更多上下文信息来完成去噪任务。扩展的实验显示BRDNet超过先进的去噪方法。

BRDNet的代码被公布在http://www.yongxu.org/lunwen.html。

本文贡献：

（1）被提出的深CNN能直接把噪声图像映射得到干净图像。提出的BRDNet是增加宽度代替增加深度来提高去噪网络的学习能力。

（2）Batch renormalization被用于BRDNet中在硬件资源受限条件下解决小的mini-batch难题。同时它能加快网络训练的收敛。

（3）BRDNet利用空洞卷积来扩大感受野，能使网络提取出更多的上下文信息和减少计算代价。同时，它能防止网络消失或者爆炸的梯度。此外，残差学习能进一步提高去噪的性能。

（4）实验结果显示BRDNet对于合成和真实的噪声是非常鲁棒的。

本文的部分原理图和实验结果：

1 网络结构图

2 不同方法在BSD68上灰色噪声图像去噪结果

3 不同方法在Set12上灰色噪声图像去噪结果

 

 4 不同方法在彩色噪声图像的去噪结果

5 不同方法在真实噪声图像的去噪结果

6 不同方法在移除噪声的执行时间

7 不同去噪方法的复杂度

8 不同去噪方法在BSD68灰色图像去噪可视化效果

9 不同方法在Set12灰色图像去噪可视化效果

10 不同方法在McMaster上彩色图像去噪结果

11 不同方法在Kodak24上彩色图像去噪结果