带噪声水平评估的快速灵活盲深度降噪模型

摘要：

为提高快速灵活降噪网络(FFDNet)模型的降噪性能,建立一种噪声水平估计(NLE)模型,将其预测的噪声水平估计值输入FFDNet模型中,并以NLE模型作为FFDNet深度降噪模型的前置模块,使FFDNet转换为盲降噪模型.采用浅层卷积神经网络模型将噪声信号从噪声图像中分离出以得到噪声映射图,将噪声映射图的标准差作为噪声水平的初估值.鉴于噪声水平初估值与真值之间具有强相关性的特性,应用BP神经网络模型对噪声水平初估值进行修正.实验结果表明,该NLE模型与FFDNet降噪模型相结合后,降噪效果总体上与使用真实噪声水平值的FFDNet降噪模型接近,在多数噪声水平值下,两者的PSNR值相差小于0.1 dB,NLE模型的估计值可以达到与真实噪声水平值近似的效果,能够充分发挥FFDNet降噪模型的快速和灵活特性.

关键词：快速灵活降噪、盲降噪、卷积神经网络、初估值、修正值

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;江西省自然科学基金

在线出版日期：2021-02-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：222-230,237