申请/专利权人：北京工业大学

申请日：2023-09-30

公开（公告）日：2023-12-29

公开（公告）号：CN117314781A

主分类号：G06T5/00

分类号：G06T5/00;G06N3/0895;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开了一种基于盲点网络集成的自监督图像去噪方法，第一步：设计集成盲点网络；第二步：设计用于真实噪声图像的非对称混洗下采样集成盲点网络；第三步：设计随机替换细化增强去噪结果细节；本发明充分考虑原始BSN中的信息损失，将网络分支拓展并集成来改进网络。同时，考虑混洗下采样不同步长对BSN训练与推理结果的影响，建立不同训练策略来选取最合适的PD步长s，以达到最小化噪声信号相关性的目的，从而满足BSN网络的训练前提。在SIDD‑Medium的验证集、基准数据集的真实噪声图像上的结果表明，本发明所提出的盲点网络集成去噪方法在去噪结果上比原始BSN网络更佳。

主权项：1.一种基于盲点网络集成的图像去噪方法，其特征在于，包括以下步骤：第一步：设计集成盲点网络；第二步：设计用于真实噪声图像的非对称混洗下采样集成盲点网络；第三步：设计随机替换细化增强去噪结果细节；第一步中：设计集成盲点网络，采用集成BSN从一个1×1卷积开始，进入两组相同的网络分支，即网络的“Branch”部分，每组分支包含一个含有3×3的中心掩码卷积层和9个具有S＝2的膨胀卷积DC模块的分支以及一个含有5×5的中心掩码卷积层和9个具有S＝3的DC模块的分支；引入大小为3×3的二进制掩码m，将0分配给m的中心元素，将1分配给其他元素，通过掩码与相同大小的卷积核的元素积实现中心掩码卷积；采用的每个DC模型内包含一个膨胀系数为S的3×3的膨胀卷积，其中S＝2和S＝3分别用于网络的上路径和下路径；各权重加载提前训练非集成BSN的结果权重，即只有一组分支时分别在s＝4,5下采样策略下的权重，其中Branch1,2采用s＝4下的权重，Branch3,4采用s＝5下的权重；最后，将四个分支的特征映射连接起来，部署四个"1×1"卷积层提取深层网络特征，产生网络输出；在训练较深的网络层“Tail”部分时，采用冻结“Branch”部分的参数而只训练“Tail”部分的参数，“Tail”部分初始化权重也同样分别采用s＝4和s＝5下的权重；第二步中：采用像素混洗下采样PD，即通过对具有特定步长因子s的噪声图像进行下采样来创建马赛克；选取SIDD-Medium训练集中的320个噪声图像和干净图像对训练集成APBSN；随机有重叠地将数据集裁剪为大小为512×512的噪声块，重叠步长为128，epoch为20，学习率为10-4；首先将给定的噪声图像通过PD操作分解为s2个子图像；然后，分别将打破噪声空间相关性并有更多特征的子图像送入集成BSN去噪，再将输出的去噪子图像使用PD逆操作重建输出在训练过程中，通过将带有AP的损失最小化来得到结果模型； 其中IN表示真实噪声图像，PDs·代表对图像执行像素混洗下采样操作，代表像素混洗下采样的逆操作，从子图像重建原图像；B代表图像进入BSN网络进入训练的操作；用概括原始噪声图像经过分解、去噪、重建后的输出结果；在训练过程中给四个分支进行不同步长的采样组合，在训练较深的网络层“Tail”部分时，采用冻结“Branch”部分的参数而只训练“Tail”部分的参数的策略，“Tail”部分初始化权重分别采用s＝4和s＝5下的权重；第三步中：采用后处理方法随机替换细化R3增强去噪结果的细节：对每个子图像分别随机填充噪声块，将两个噪声信号之间的期望相关性用作二进制掩码概率： 其中，是二进制掩码表示要替换的像素，⊙表示Hadamard乘积，对应位置元素相乘；最后，将噪声像素替换后的图像送到BSN去噪，取每张输出图像的平均值以获得纹理细节，将纹理细节与平滑结果进行相加即可得到有更复杂细节的去噪结果。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于盲点网络集成的自监督图像去噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD