[发明专利]一种轻量真实图像去噪的神经网络设计及训练方法

说明书

本发明公开了一种轻量真实图像去噪的神经网络设计方法及训练方法，所述轻量真实图像去噪的神经网络采用4尺度的U型网络结构，包括7个二阶残差注意力模块、3个下采样模块以及3个上采样模块。本发明能够对真实含噪图像进行快速去噪，获得去噪图像。

技术领域

本发明涉及真实图像去噪领域，具体涉及一种轻量真实图像去噪的神经网络设计及训练方法。

背景技术

神经网络的兴起对于高斯图像去噪的任务产生巨大推进。因为高斯噪声容易仿真，可以直接加到图像中获得神经网络所需要的数据集，重组的数据集带来神经网络稳定的高斯噪声去噪效果。在真实场景下，神经网络用于图像去噪主要由两方面限制：经过终端数字图像处理后，噪声类型会变得比较复杂，难以在实验环境下仿真，不利于神经网络训练；常见的神经网络的参数很多，很难满足在移动终端的实时运行。因此设计一种针对真实场景的、轻量的真实噪声去噪网络具有较高的学术和工程价值。

发明内容

本发明的目的在于提供一种轻量真实图像去噪的神经网络设计及训练方法，以解决现有技术存在的问题，本发明能够对真实含噪图像进行快速去噪，获得去噪图像。

为达到上述目的，本发明采用如下技术方案：

一种轻量真实图像去噪的神经网络设计方法，所述轻量真实图像去噪的神经网络采用4尺度的U型网络结构，包括7个二阶残差注意力模块、3个下采样模块以及3个上采样模块；

所述7个二阶残差注意力模块按照与输入距离的远近依次命名为2ndRB₁……2ndRB₇，对于输入的含噪图像，首先经过2ndRB₁进行特征的提取，2ndRB₁的输出有两条分支：第一条分支向网络后方传递，与2ndRB₆的输出相加后输入到2ndRB₇中；第二条分支经过小波下采样，送入到2ndRB₂中；2ndRB₂的输出有两条分支：第一条分支向网络后方传递，与2ndRB₅的输出相加后输入到2ndRB₆中；第二条分支经过小波下采样，送入到2ndRB₃中；2ndRB₃的输出有两条分支：第一条分支向网络后方传递，与2ndRB₄的输出相加后输入到2ndRB₅中；第二条分支经过小波下采样，送入到2ndRB₄中；2ndRB₄的输出与2ndRB₃的第一条分支相加输入至2ndRB₅中；2ndRB₅的输出与2ndRB₂的第一条分支相加输入至2ndRB₆中；2ndRB₆的输出与2ndRB₁的第一条分支相加输入至2ndRB₇中；2ndRB₇的输出与输入的噪声图像相加后得到去噪图像。

进一步地，所述二阶残差注意力模块包括卷积层1-激活函数-卷积层2模块和通道注意力模块，且所述二阶残差注意力模块将模块输入作为零阶项，卷积层1-激活函数-卷积层2模块输出作为一阶项，并把一阶项输入到通道注意力模块中得到二阶项，最终输出零阶项、一阶项和二阶项一半之和。

进一步地，所述7个二阶残差注意力模块参数设置如下表所示：

其中，卷积层1参数和卷积层2参数包括卷积核通道数c，个数n，卷积核大小d，卷积核滑动步长s，通道注意力参数包括特征伸缩倍数r。

进一步地，所述3个下采样模块参数设置如下表所示：