典型文献
采用多通道浅层CNN构建的多降噪器最优组合模型
文献摘要：
现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers,OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.
文献关键词：
多降噪器最优组合;一致性神经网络;多通道浅层卷积神经网络;降噪效果提升;执行效率
中图分类号：
作者姓名：
徐少平;林珍玉;陈孝国;李芬;杨晓辉
作者机构：
南昌大学数学与计算机学院 南昌 330031;南昌大学信息工程学院 南昌 330031
文献出处：
引用格式：
[1]徐少平;林珍玉;陈孝国;李芬;杨晓辉-.采用多通道浅层CNN构建的多降噪器最优组合模型)[J].自动化学报,2022(11):2797-2811
A类：
多降噪器最优组合,一致性神经网络,CsNet,多通道浅层卷积神经网络,denoisers,OCID
B类：
最优组合模型,Consensus,neural,network,凸优化,神经网络技术,降噪算法,执行效率,改进空间,轻量型,Multi,channel,shallow,convolutional,MSCNN,Optimal,combination,image,多通道输入,接接,残差学习,学习技术,成图,图像融合,和图像,图像质量,噪声图像,先用,后图,残差图,差图像,相减,优化组合,降噪效果提升
AB值：
0.303345
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
