90s解读AI | Luc Van Gool团队: 通过Swin-Conv-UNet和数据合成实现实用图像盲去噪

近年来，利用深度神经网络解决图像去噪问题的热潮方兴未艾，但现有方法大多依赖于简单的噪声假设，如加性高斯白噪声(AWGN)、JPEG压缩噪声和相机传感器噪声等，而针对真实图像的通用盲去噪方法仍未出现。苏黎世联邦理工学院Luc Van Gool教授团队试图从网络架构设计和训练数据合成的角度来解决这一问题。具体而言，在网络架构设计方面，本文设计了一个swin-conv模块，将残差卷积层的局部建模能力和swin transformer模块的非局部建模能力结合起来，并将其作为主要构建模块插入到广泛使用的图像到图像转换模型:UNet架构中。在训练数据合成方面，本文设计了一个实用的噪声退化模型，该模型考虑了不同类型的噪声(包括高斯噪声、泊松噪声、斑点噪声、JPEG压缩噪声和处理后的相机传感器噪声)和大小调整，还涉及随机洗牌策略和双重退化策略。在去除AGWN和真实图像去噪方面的大量实验表明，新的网络架构设计实现了最先进的性能，新的退化模型则有助于显著提高实用性。该研究希望能够为当前的去噪研究提供有用的见解。源代码见：https://github.com/cszn/SCUNet，在线去噪网址见：https://replicate.com/cszn/scunet。

全文导读

Luc Van Gool团队 | 通过Swin-Conv-UNet和数据合成实现实用图像盲去噪

全文下载：

Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis

https://link.springer.com/article/10.1007/s11633-023-1466-0

https://www.mi-research.net/en/article/doi/10.1007/s11633-023-1466-0