基于局部期望最大化注意力的图像降噪

李泽田，雷志春

(天津大学 微电子学院，天津 300072)

1 引 言

图像降噪是计算机视觉中的基本问题，也是许多其他图像恢复任务的重要预处理步骤[1-6]。通常，图像降噪的目的是从其退化图像恢复出无噪声图像[7]。

图像降噪具有非适定性(Ill-posed)[8]。传统图像降噪方法[9-12]应用各种约束来模拟噪声特征(例如，均匀、非均匀、深度感知)，并利用不同的图像先验来规范解空间。然而，在大多数方法中使用的图像先验都是手工制作的,并且消耗大量的计算资源。

最近几年，随着深度卷积神经网络(Deep Convolutional Neural Network，DCNN)的发展，图像去噪性能得到了显著提升。文献[13]通过将批量归一化集成到残差网络中，提出了一种称为DnCNN(Denoising Convolutional Neural Networks)的有效图像降噪网络，该网络优于传统的降噪算法。文献[14]基于小波分解，提出了一种基于多级小波的降噪算法，称为MWCNN(Multi-level Wavelet-CNN)。文献[15]提出了一种快速灵活的网络称为FFDNet，可以处理具有不均匀噪声的图像。为了利用DCNN中图像特征的非局部性，文献[16]在去噪网络中采用k-最近邻匹配，提出N3Net算法。

由于DCNN强大的拟合能力，上述基于DCNN的降噪算法较传统算法效果提升显著。但这些算法也有其局限性。首先，采用“编码器-解码器”级联的方式构建模型，在计算每一个解码器的状态时需要关注所有的编码器输入，计算量比较大，灵活性差，网络的泛化能力较低。其次，平等地处理不同通道、不同区域的特征，效率较低，浪费有限的计算资源。最后，在DCNN中，随着图像在网络中的传播，特征域的噪声会不断累加[17]。

为克服以上基于DCNN的降噪算法的缺点，本文设计了一个基于局部期望最大化注意力的图像降噪算法。……