文章摘要:鉴于有监督神经网络降噪模型的数据依赖缺陷，提出了一种基于无监督深度生成（unsupervised deep image generation,UDIG）的盲降噪模型。首先，利用噪声水平评估（noise level estimation,NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet（fast and flexible denoising convolutional neural network）降噪模型中，所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次，选用编码器-解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合Loss函数；再次，以Loss最小化为优化目标，通过随机梯度下降（stochastic gradient descent,SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像。最后，当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程，从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比，UDIG降噪模型在降噪效果上具有显著优势。

文章关键词:

项目基金:《轻工标准与质量》 网址: http://www.qgbzyzl.cn/qikandaodu/2022/0112/1012.html