Image denoising is the problem of removing stochastic noise corrupting images. Recently, several deep neural networks have been extensively employed for addressing this task. The non-local self-similarity of natural images is a prior knowledge widely exploited by classic image denoising algorithms. The first deep convolutional neural networks (CNNs) meant for image denoising ignored this prior and were instead trained in an end-to-end manner to directly suppress noise. Few recent works attempt to enhance deep denoisers introducing non-local operations, but these are often performed outside of the network, thus are non-learnable. The only differentiable non-local blocks that can be directly incorporated inside CNNs still rely on hand-defined similarity measures, thus are to be considered suboptimal. In this thesis, we propose a novel differentiable and end-to-end trainable building block for CNN denoisers, which can promote the non-local self-similarity while learning the similarity measure. The proposed block is successfully evaluated on the task of additive white Gaussian noise suppression, and turns out to be beneficial when added to CNNs meant for denoising.
Il denoising delle immagini consiste nel rimuovere un rumore aleatorio che corrompe un'immagine. Recentemente, diverse reti neurali profonde sono state impiegate estensivamente per affrontare questo problema. L'auto-similarità non-locale delle immagini naturali è una proprietà che è stata ampiamente sfruttata dagli algoritmi classici per denoising di immagini. Le prime reti neurali convoluzionali (CNN) pensate per il denoising di immagini hanno ignorato questa proprietà e sono invece state addestrate direttamente per sopprimere il rumore. Pochi lavori recenti tentano di migliorare i denoiser profondi introducendo operazioni non-locali, ma queste spesso sono effettuate all'esterno della rete e quindi non sono apprendibili. Gli unici blocchi non-locali differenziabili che possono essere direttamente inseriti dentro a CNN fanno affidamento su misure di similarità predefinite, quindi sono da considerarsi subottimali. In questa tesi, proponiamo un nuovo blocco costitutivo per CNN differenziabile e completamente addestrabile, il quale favorisce l'auto-similarità non-locale mentre apprende la misura di similarità. Il blocco proposto è valutato con successo nel compito di rimozione di rumore bianco gaussiano e si rivela vantaggioso quando inserito in CNN pensate per il denoising.
Enhancing CNN for image denoising by promoting non-local self-similarity
Peretti, Edoardo
2021/2022
Abstract
Image denoising is the problem of removing stochastic noise corrupting images. Recently, several deep neural networks have been extensively employed for addressing this task. The non-local self-similarity of natural images is a prior knowledge widely exploited by classic image denoising algorithms. The first deep convolutional neural networks (CNNs) meant for image denoising ignored this prior and were instead trained in an end-to-end manner to directly suppress noise. Few recent works attempt to enhance deep denoisers introducing non-local operations, but these are often performed outside of the network, thus are non-learnable. The only differentiable non-local blocks that can be directly incorporated inside CNNs still rely on hand-defined similarity measures, thus are to be considered suboptimal. In this thesis, we propose a novel differentiable and end-to-end trainable building block for CNN denoisers, which can promote the non-local self-similarity while learning the similarity measure. The proposed block is successfully evaluated on the task of additive white Gaussian noise suppression, and turns out to be beneficial when added to CNNs meant for denoising.File | Dimensione | Formato | |
---|---|---|---|
thesis.pdf
solo utenti autorizzati dal 05/07/2023
Dimensione
18.24 MB
Formato
Adobe PDF
|
18.24 MB | Adobe PDF | Visualizza/Apri |
executive_summary.pdf
solo utenti autorizzati dal 05/07/2023
Dimensione
426.32 kB
Formato
Adobe PDF
|
426.32 kB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/190630