摘要

非局部自相似性在图像去噪问题中被公认为是一种有效的先验知识。然而，很少有研究将其融入卷积神经网络中，尽管卷积神经网络仅利用局部信息却超越了基于非局部模型的方法。本文提出了一种新颖的端到端可训练神经网络架构，该架构采用了基于图卷积操作的层，从而创建了具有非局部感受野的神经元。图卷积操作将经典的卷积泛化到了任意图上。在本工作中，图是根据网络隐藏特征之间的相似性动态计算得出的，因此充分利用了网络强大的表征学习能力来揭示自相似模式。我们引入了一种轻量级的边条件卷积（Edge-Conditioned Convolution），解决了这种特定图卷积中的梯度消失和过度参数化问题。大量实验表明，该方法在合成高斯噪声和真实噪声条件下均取得了最先进的性能，并且在定性和定量结果方面均有显著提升。