摘要: 图像去噪是一项基础且重要的任务，常用于从美学角度提升图像的视觉质量，同时也有助于改善下游任务的效果。在当前阶段，得益于深度神经网络的强大拟合能力，通常会训练单一模型来处理不同噪声水平甚至不同类型的真实图像噪声。然而，由于深度网络主... 展开 图像去噪是一项基础且重要的任务，常用于从美学角度提升图像的视觉质量，同时也有助于改善下游任务的效果。在当前阶段，得益于深度神经网络的强大拟合能力，通常会训练单一模型来处理不同噪声水平甚至不同类型的真实图像噪声。然而，由于深度网络主要通过拟合训练数据来实现对各种图像噪声的去除，当模型被应用于训练集中未涉及的噪声水平或噪声类型时，去噪性能通常会显著下降。同时，现有的方法对于图像中的高频纹理信息没有过多的关注，导致去噪结果中高频纹理细节的损失。此外，现有的方法大多数以恢复图像的质量为目标，忽视了内存的要求，从而造成了部分方法没有在真实场景部署的可能。因此，本课题从噪声水平估计的角度从出发，研究真实图像噪声水平的逐像素估算方法，设计并实现噪声估计网络拟合估算结果，同时引入了密度图作为图像的高频纹理先验信息。在此基础上，提出了噪声水平和密度图的融合模块并将其整合进了一个完整的神经网络框架之内。其二，本课题对于密度图在高噪声水平下存在的问题进行了进一步探讨，提出了高噪声水平下的密度图修正策略，并使用分阶段训练的方式，使该算法的量化指标达到了主流水准。最后，本课题通过分析噪声水平和密度图在图像去噪过程中起到的作用，对于神经网络的参数轻量化过程进行了尝试。同时基于一种卷积权重复用的策略，提出了一种基于迭代的图像去噪算法，该算法适用于对参数量有约束的实际场景。 本课题提出的方法在常用的图像去噪算法评估数据集DND、SIDD以及旷视数据集上的量化指标都达到了主流算法的水准，同时也能保持较好的视觉效果，比现有的图像去噪算法具备更优的泛化性能。 收起