LLNet理解

• 意义

　　　第一个真正意义上将深度学习一个用在图像增强上的网络。

• 要点

1. 提出了堆叠稀疏去噪自编码器（SSDA），用于对低光照有噪声图像进行增强和去噪。
2. 采用MATLAB生成训练数据，模拟低光环境（因难以获取自然环境中同一图片的正常光图片和低光图片）。
3. 提出了两种网络结构：LLNET、S-LLNET。

• 数据预处理

　　　图像来源于网络上的开源数据集，将原始的数据集划分为训练集和测试集。
　　　训练集的数据从图像中提取了422500个点，然后将这些图像像素数据归一化到[0,1]区间中。原始的图像是正常光照下的，论文这里是采用MATLAB中的-imadjust将图像进行伽马非线性调暗。

1. 图片调暗

　　　　γ<1，图片变亮；γ=1，图片不变；γ>1，图片变暗。

1. 图片加噪

 　　　　B在(0,1)区间内，n(·)为噪音函数，g(·)为伽马调暗函数。

• 网络结构

　　　　采用三层去噪自动编码器（DA）堆叠起来作为encoder，每个DA的损失函数为：

　　　　其中，N是patch数，θ是模型参数矩阵，λ、β、是交叉验证的参数，KL是散度函数，用于计算隐藏层中的稀疏性：

　　　　整个网络结构称为堆叠稀疏去噪自动编码器（SSDA），其损失函数为：

　　　　LLNET：将调暗并带有噪音的图片作为输入进行训练。

　　　　S-LLNET：将调暗的图片和带有噪音的图片分别输入进行训练。

• 模型评估

1. PSNR

　　　　PSNR量化含有噪声图像的失真程度，PSNR值越大，图片的降噪效果越好。

1. SSIM

　　　　SSIM被用来评价两幅图片的相似相似度。

• 实验

　　　定义γ=3，=18或25，分别测试了在正常光、暗光、噪点、暗光加噪点情况下的几组图片。结果如下：

• 结论

　　　作者通过实验得到，增加DA层的数量可以提升网络的性能，但是减小padding stride的尺寸并不能提升网络性能。

• 未来工作

1. 改进增加的人工噪音，使模型更真实。（泊松噪音、quantization artifacts）
2. 提高图像细节清晰度。
3. 提高模型稳健性，使其适应多样化场景。（雾霾、灰尘等）
4. 增加人为测评。

LLNet理解

原文：https://www.cnblogs.com/codejess/p/13215355.html