哈工大，清华和台湾清华联合发表“一份超全易懂的深度学习在图像去噪的综述”被人工智能前沿讲习、极市平台、CVer等多个公司关注

来源: 田春伟/

哈尔滨工业大学

1770

2020-03-01 11:50:51

2020-03-01

1月18日，《Deep Learning on Image Denoising: An overview》被“人工智能前沿讲习”公众号报道，具体信息如：https://mp.weixin.qq.com/s/aaaaG5LkyWcJ9dhZ74Cp6A

1月27日，这个工作被“市级平台”推送，具体信息如：https://mp.weixin.qq.com/s/hPaJssohwTIPx6kzGvp70g

2月14日，这个工作被"CVer"所推送，具体信息如：https://mp.weixin.qq.com/s/nmKWJPbedGo1J8-oeIKm2w

部分介绍如下：

近日哈尔滨工业大学、广东工业大学、清华大学与台湾国立清华大学等研究人员共同撰写一篇深度学习在图像去噪上的综述并在arxiv发表，该综述系统地总结图像去噪的重要性、图像去噪技术的发展、传统的机器学习和深度学习的图像去噪技术的优缺点以及刨析出图像去噪技术面对的挑战与潜在的研究点。该综述对学术界和工业界都有重要的指导作用，值得学习。

Deep Learning onImage Denoising: An Overview

论文链接：

https://arxiv.org/abs/1912.13171

1 背景与动机

数字图像设备已经被应用在天气预测、灾难救援、安全监控与医学诊病等多个领域。然而数字设备常受到相机抖动、运动的物体、暗光和噪声等影响而导致捕获的照片不干净。因此图像去噪技术的研究具有重要的理论和实际应用价值。

图像去噪技术在20世纪90年代已经成为研究热点。例如：用非局部相似性来优化稀疏方法能提高去噪的性能。字典学习有助于快速移除噪声。先验知识通过平滑噪声图像来恢复潜在干净图像的细节。更多竞争去噪方法包括MRF 、WNNM 、LSSC、CSF 、TNRD和GHEP能被利用。

虽然这些大部分方法在图像去噪上能达到好的性能，但是他们有以下缺点：

(1) 在测试阶段涉及复杂优化方法,

(2) 手动设置参数,

(3) 一个固定的模型来处理单个去噪任务。拥有灵活的结构，强的自学习能力的深度学习技术能用来解决这些不足。

2 本文研究框架

本文由浅到深介绍深度学习在图像去噪应用，首先介绍深度学习在图像处理的基本框架，包括：有监督和无监督机器学习、卷积网络、深度学习在图像去噪的主要结构（如：VGG、ResNet、GoogLeNet和GAN）和深度学习技术常用软件和硬件；其次重点介绍深度学习技术在图像去噪上应用，如图示1所示：

登录用户可以查看和发表评论，请前往登录或注册。