
摘要
在本文中,我们提出了一种基于卷积神经网络架构的最先进的视频去噪算法。直到最近,使用神经网络进行视频去噪仍是一个较少被探索的领域,现有的方法在性能上无法与最佳的基于补丁的方法相媲美。我们在本文中介绍的方法称为FastDVDnet,其性能与现有其他最先进算法相当或更优,同时计算时间显著降低。与其他现有的神经网络去噪器相比,我们的算法具有多个令人满意的特性,如快速运行时间和单个网络模型即可处理广泛噪声水平的能力。该算法的架构特点使其能够在不使用昂贵的运动补偿阶段的情况下实现卓越的性能。其去噪性能与较低的计算负载相结合,使得该算法在实际应用中极具吸引力。我们从视觉效果和客观质量指标两个方面将我们的方法与其他最先进算法进行了比较。
代码仓库
BlackPepperAPI/Cadene.pytorch
pytorch
GitHub 中提及
wuchangsheng951/repaired_fastdvdnet
pytorch
GitHub 中提及
m-tassano/fastdvdnet
官方
pytorch
GitHub 中提及
wooramkang/FITVNet
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| video-denoising-on-davis-sigma10 | FastDVDnet | PSNR: 38.97 |
| video-denoising-on-davis-sigma20 | FastDVDnet | PSNR: 35.86 |
| video-denoising-on-davis-sigma30 | FastDVDnet | PSNR: 34.06 |
| video-denoising-on-davis-sigma40 | FastDVDnet | PSNR: 32.8 |
| video-denoising-on-davis-sigma50 | FastDVDnet | PSNR: 31.83 |
| video-denoising-on-set8-sigma10 | FastDVDnet | PSNR: 36.43 |
| video-denoising-on-set8-sigma20 | FastDVDnet | PSNR: 33.37 |
| video-denoising-on-set8-sigma30 | FastDVDnet | PSNR: 31.6 |
| video-denoising-on-set8-sigma40 | FastDVDnet | PSNR: 30.37 |
| video-denoising-on-set8-sigma50 | FastDVDnet | PSNR: 29.42 |