计算机工程

作者：冯妍舟, 刘建霞, 王海翼, 冯国昊, 白宇

单位：太原理工大学电子信息与光学工程学院, 山西 晋中 030600

关键词：图像复原,真实图像去噪,多级残差信息蒸馏模块,深度提取模块,对比度感知通道注意力

基金：山西省重点研发计划(2022ZDYF088); 山西省回国留学人员科研资助项目(HGKY2019040); 太原理工大学研究生精品课程(2021KC08)

深度神经网络对真实图像有较强的去噪能力，可以学习含噪图像和干净图像之间复杂的非线性映射关系。然而，过多的卷积操作导致计算成本增加并占据大量内存，限制了去噪技术在低运算能力设备中的应用，现有去噪算法容易损坏细节信息，恢复图像存在边缘过度平滑、纹理缺失、含有残留噪声等问题。针对这些问题，构造一种多级残差信息蒸馏模块。通过对特征通道进行分割，保留部分特征用于后续多级融合，并进一步通过深度提取单元提取细化后的特征信息；引入对比度感知通道注意力机制对不同通道的特征分配权重；使用多级跳跃连接充分融合不同阶段提取到的上下文信息。构建1个轻量级的多级残差信息蒸馏网络，采用块间复杂度低的编码-解码结构，编码部分为含噪图像特征提取模块，解码部分为干净图像恢复模块。为了加快训练速度，采用混合图像尺寸的渐进式训练方法。实验结果表明，该方法在SSID和DND真实图像数据集上的峰值信噪比分别为39.43 dB和39.49 dB，与其他网络相比提升了0.17~15.77 dB和0.02~7.06 dB，而模型参数量仅为6.92×106，所提模型在提高去噪性能的同时具有较少的参数量。

来源：2024年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第3期