典型文献
DnRFD:用于图像去噪的递进式残差融合密集网络
文献摘要：
基于深度学习的去噪方法能够获得比传统方法更好的去噪效果,但是现有的深度学习去噪方法往往存在网络过深导致计算复杂度过大的问题.针对这个不足,提出一种用于去除高斯噪声的递进式残差融合密集网络(DnRFD).该网络首先采用密集块来学习图像中的噪声分布,在充分提取图像局部特征的同时大幅降低网络参数;然后利用递进策略将浅层卷积特征依次与深层特征短线连接形成残差融合网络,提取出更多针对噪声的全局特征;最后将各密集块的输出特征图进行融合后输入给重建输出层,得到最后的输出结果.实验结果表明,在高斯白噪声等级为25和50时,该网络都能获得较高的峰值信噪比均值和结构相似性均值,并且去噪平均时间是DnCNN方法的一半,是FFDNet方法的1/3.总的来说,该网络整体去噪性能优于相关对比算法,可有效去除图像中的高斯白噪声和自然噪声,同时能更好地还原图像边缘与纹理细节.
文献关键词：
图像去噪;深度学习;密集块;残差学习;递进式残差融合
中图分类号：
作者姓名：
曹义亲;饶哲初;朱志亮;张红斌
作者机构：
华东交通大学 软件学院,南昌 330013;中国科学院 软件研究所,北京 100190
文献出处：
引用格式：
[1]曹义亲;饶哲初;朱志亮;张红斌-.DnRFD:用于图像去噪的递进式残差融合密集网络)[J].计算机科学与探索,2022(12):2841-2850
A类：
DnRFD,递进式残差融合,FFDNet
B类：
图像去噪,密集网络,去噪方法,去噪效果,计算复杂度,高斯噪声,密集块,噪声分布,分提,局部特征,网络参数,卷积特征,深层特征,短线,融合网络,全局特征,特征图,出层,输出结果,高斯白噪声,峰值信噪比,结构相似性,DnCNN,总的来说,对比算法,自然噪声,原图,图像边缘,残差学习
AB值：
0.325192
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
