多头注意力机制的全频图像去噪算法OA北大核心CSTPCD

近年来,深度卷积神经网络(convolutional neural network,CNN)在图像去噪领域取得了显著成果。然而,现有的大部分去噪方法都是将噪声图像直接输入CNN模型训练,依赖于裁剪大量的图像训练块,重复裁剪的区域不仅浪费计算资源,还限制了特征提取的多样性,导致图像纹理细节的丢失。为解决这些问题,提出一种适用于去除加性高斯白噪声和真实图像噪声的全频增强多头注意力去噪网络。该方法将噪声图像分解为低频和高频分量,并与噪声图像一起输入网络进行训练,通过增加网络宽度来提取更丰富的图像特征。特征增强多头注意力机制关注图像级别的特征,能够保留更多的纹理细节。为了得到干净噪声映射,还设计了噪声学习模块来去除冗余特征并优化图像的残差特征。在Set12、CBSD68等多个数据集上验证了所提出方法的有效性。实验结果显示,该方法在灰度噪声图像去噪、彩色噪声图像去噪以及真实图像去噪方面均优于ADNet、AMDNet、MWDCNN等主流去噪方法,而且使用该方法去噪后的图像具有更清晰的视觉效果。