【论文略读40】DnCNNs——经典去噪方法

顺着【论文略读39】与38相关文章中的第二篇，即陈运锦老师的TNRD，找到了这篇文章

文献信息

该文名为Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising，是17年的TIP。所提模型是前向的denoising convolutional neural networks，即DnCNNs

作者是鼎鼎大名的张凯、陈运锦老师、左老师、孟老师、港理工的张磊老师

文献地址：https://ieeexplore.ieee.org/abstract/document/7839189 或 https://arxiv.org/abs/1608.03981
一作张凯提供的代码：https://github.com/cszn/DnCNN
截至2021/03/15，该文在谷歌学术上引用量2868，TNRD的引用量为678，真的迪奥
根据参考文献中列出的博客来看，这篇文章可谓是图像去噪中的经典牛文了

注：由于先入为主，先看了几篇相关博客，讲得应该都没啥问题。所以就没有再在文章上花太多时间了，只是把实验外的部分读了一遍，没有再去思考什么，谨记于此

文献小结

本文提出模型DnCNNs，针对图像去噪（本文是高斯噪声）问题，采用的网络是端到端学习带噪图和gt之间残差的CNN，其中不仅引入了学习残差的策略，还使用了BN（ batch normalization）策略。这样做的动机有以往模型的缺点（见图$(2)$下面）、CNN的良好性质、两种改进策略结合的优势、TNRD的启发，等等

本文除了用大量的实验验证了DnCNNs的性能，还有额外的对比实验，验证了残差学习和BN结合相互促进（或者说辅助）的优势，见原文图$(2)$：

它的优点为何？文章反复强调了以往方法的弱点，包括加深网络后训练难度加大、往往只能针对特定程度的特定噪声等。前者被残差学习加速训练➕BN缓解internal covariate shift（指训练过程中分布变化导致激活后梯度停滞，BN则通过激活前归一化使分布难偏移）以加速收敛给淦了；后者被DnCNNs的拓展模型gank了，借鉴TNRD的思想，对模型进行拓展，可以训练单个DnCNNs，同时解决Gaussian denoising，single image super-resolution和JPEG image deblocking三种问题

本文还有一些技巧，比如感受野和网络深度的选择，与TNRD的比较等，略

最后，本文的作者们表示，更genral的去更general噪的方法是研究的目标，目前来看，unfolding、plug-and-play（即插即用）模块设计等都是研究的方向

参考文献

[1] K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang. Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising. IEEE Transactions on Image Processing, 26(7):3142–3155, 2017.

@article{RN37,
   author = {Zhang, K. and Zuo, W. and Chen, Y. and Meng, D. and Zhang, L.},
   title = {Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising},
   journal = {IEEE Transactions on Image Processing},
   volume = {26},
   number = {7},
   pages = {3142-3155},
   ISSN = {1941-0042},
   DOI = {10.1109/TIP.2017.2662206},
   year = {2017},
   type = {Journal Article}
}

主要参考的博客：

有重要思考的博客：【图像去噪】DnCNN论文详解（Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising）…
总结精辟的博客：DnCNN论文阅读笔记【MATLAB】
纯翻译：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
讲了一点DnCNNs后续发展：基于卷积神经网络的图像去噪