摘要

尽管深度卷积神经网络（CNNs）在处理加性白高斯噪声（AWGN）的图像去噪方面取得了令人印象深刻的成果，但在现实世界中的嘈杂照片上，其性能仍然有限。主要原因在于，这些网络所学习的模型容易对简化的AWGN模型过拟合，而该模型与复杂的现实世界噪声模型存在显著偏差。为了提高深度CNN去噪器的泛化能力，我们建议使用更真实的噪声模型和现实世界的嘈杂-干净图像对来训练一个卷积盲去噪网络（CBDNet）。一方面，考虑到信号相关噪声和相机内部信号处理流程以合成逼真的嘈杂图像；另一方面，也包括了现实世界的嘈杂照片及其几乎无噪声的对应图像来训练我们的CBDNet。为进一步提供一种方便的交互式策略以校正去噪结果，我们在CBDNet中嵌入了一个具有非对称学习机制的噪声估计子网络，以抑制噪声水平的低估。在三个现实世界嘈杂照片数据集上的大量实验结果清楚地展示了CBDNet在定量指标和视觉质量方面优于现有最先进方法的表现。代码已发布在 https://github.com/GuoShi28/CBDNet。