前言

论文地址：见, 方法继续更新。

解决的问题：

1.discriminative learning methods 用于denoising 任务学习到的是一个对于每种

噪声水平的具体模型，需要不同的噪声水平，灵活性差，不能用于实际。

提出了FFDNet的优势

1.downsampled sub-images to speed up the inference

2.采用正交正则化(orthogonal regularization) to enhance the generalization ability

3.有较宽的噪声处理能力

4.能够移除 spatial variant noise 依靠将这种噪声简化为 一个非均匀的噪声水平映射

5.速度快

前提

1.假设是噪声是additive white Gaussian noise AWGN，噪声的水平被给与。

2.当噪声未知和难以估计能够达到noise reduction 和 details preservation的平衡

3. 可以处理空间变异噪声spatial variant noise

文献综述：

1.当前的方法时间耗费大，不能移除spatially variant noise

2.当前的CNN-based 的方法受限于flexibility and 对于具体的噪声水平定制

3.还有诸如在真实噪声图片中表现不好的drawbacks

 

具体方法细节：

1. 从 

$x = f(y,\theta_{\sigma})    =====》 x = f(y,m;\theta)$

where 在之前的思路 $\theta$是随着噪声的水平$\sigma$的变化而变化； 现在的思路是

$m$ is a noise level map,将噪声水平图建模为输入，模型参数不受噪声水平的影响。

2.比较有意思的就是$m$ noise level map.

3. 为了提高泛化性，impose an 正交正则化 on convolutional filters（提高了FFDNet对输入噪声与地面真实噪声水平不匹配的鲁棒性。）； BN 和 residual learning

；downsample the sub-image  加快速度。

FFDNet 的具体技术点