采用多通道浅层CNN构建的多降噪器最优组合模型

doi:10.16383/j.aas.c190736

CASIA OpenIR > 学术期刊 > 自动化学报

	采用多通道浅层CNN构建的多降噪器最优组合模型
	徐少平; 林珍玉; 陈孝国; 李芬; 杨晓辉
发表期刊	自动化学报
ISSN	0254-4156
	2022
卷号	48 期号:11 页码:2797-2811
摘要	现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.
关键词	多降噪器最优组合一致性神经网络多通道浅层卷积神经网络降噪效果提升执行效率
WOS标题词	现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.
DOI	10.16383/j.aas.c190736
引用统计
文献类型	期刊论文
条目标识符	http://ir.ia.ac.cn/handle/173211/56253
专题	学术期刊_自动化学报
推荐引用方式 GB/T 7714	徐少平,林珍玉,陈孝国,等. 采用多通道浅层CNN构建的多降噪器最优组合模型[J]. 自动化学报,2022,48(11):2797-2811.
APA	徐少平,林珍玉,陈孝国,李芬,&杨晓辉.(2022).采用多通道浅层CNN构建的多降噪器最优组合模型.自动化学报,48(11),2797-2811.
MLA	徐少平,et al."采用多通道浅层CNN构建的多降噪器最优组合模型".自动化学报 48.11(2022):2797-2811.

条目包含的文件		下载所有文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
AAS-CN-2019-0736.pdf（4079KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载