效果好速度还好的图像去噪：BRDNet

DCNN在图像去噪领域取得了极大的关注，然而仍存在两个缺陷：（1）训练困难；（2）性能饱和。
为解决上述问题，作者设计了一种称之为BRDNet的网络架构，它包含两个网络用于提升网络的宽度，同时获取更多特征。BRN的应用缓解了internal covariate shift与小批次问题；采用残差学习方式加速训练；采用扩张卷积提升感受野获取更多信息。作者通过充分实验验证了所提方法的优异性能。
来源: https://zhuanlan.zhihu.com/p/107080082
文章作者: Happy

Image Denoising using Deep CNN with Batch ReNormalization （论文文末可下载）
code

Method

Framework

上图给出了所提方法的网络架构示意图，它包含上下两个分支。上分支仅仅包含残差学习与BRN；下分支包含BRN、残差学习以及扩张卷积。一般而言：网络感受野越大，计算量越大。作者采用扩张卷积提升感受野而不增加计算量。

上分支网络包含两种不同类型的层：Conv+BRN+ReLU与Conv。它的深度为17，前16个层为Conv+BRN+ReLU,最后一层为Conv。特征图通道数为64，卷积核尺寸为3.

上分支网络同样包含17层，但其1，9，16层为Conv+BRN+ReLU，2-8，10-15为扩张卷积，最后一层为Conv。卷积核尺寸为3，通道数为64.

两个分支结果经由Concat组合并经Conv得到噪声，最后采用原始输入减去该噪声即可得到清晰无噪图像。

整个BRDNet合计包含18层，相对比较浅，不会导致梯度消失与梯度爆炸问题。该网络的设计思想源自以下几个方面的思考：

通过两个自网络提升宽度而非深度达到改善去噪性能的目的；
采用BRN解决小批次与internal covariate shift问题；
采用残差学习防止梯度消失与梯度爆炸；
采用扩张卷积节省计算量。

Loss

受DnCNN影响，作者选用MSE作为损失函数对网络参数进行优化，优化器选择Adam。

BRN，DilateConv，RL

BRDNet的设计有以下几个方面的考虑：

（1）更深的网络存在梯度消失与爆炸问题，通过提升宽度降低深度进而缓解梯度消失与梯度爆炸问题；
（2）卷积可能导致数据分布发生变化，BN是一种有效的方法，但其存在小批次时性能下降问题，作者采用BRN替代BN改进收敛效率；
（3）更深的网络可以提取更精确的特征，但是同时具有更高的计算量，作者采用扩展卷积提升感受野，降低计算量。