快速、非局部和神经网络：图像去噪的轻量高质量解决方案
原文中文，约1100字，阅读约需3分钟。
📝
内容提要
该研究提出了一种结合卷积神经网络和非局部滤波器的深度去噪方法，针对灰度和彩色图像实现了最佳去噪性能，并在视频去噪和图像增强方面表现出色，适用于资源受限环境。
🔎
延伸解读
非局部与CNN融合的技术脉络
文章梳理了多项研究，显示非局部稀疏性与卷积神经网络结合是图像去噪的重要方向。从2016年利用视频自相似性输入CNN，到2017年块匹配卷积神经网络（BMCNN）恢复重复结构，再到2019年图卷积层利用局部与非局部相似性，这一脉络表明：将非局部先验嵌入网络能提升去噪性能，并逐步扩展到视频和真实噪声场景。
资源受限场景下的效率优势
针对视频压缩，有研究利用CNN及非局部冗余优化，达到与预处理去噪CNN类似的编码增益，而计算复杂度仅约1%。另一项工作提出轻量级网络（5k参数）用于图像增强，可在实时环境（50 fps）下运行。这些结果说明，非局部与CNN结合的方法在资源受限条件下具有实际部署潜力，兼顾效果与效率。
从灰度到彩色与视频的扩展
文章提到的方法最初在大型灰度图像数据集上取得最先进性能，随后扩展到彩色图像去噪，并在所有测试噪声水平下表现最佳。此外，通过将视频自相似性输入CNN，在三维时空搜索图像块，实现了图像和视频去噪的顶尖效果。这表明该技术路线具有良好的泛化能力，能适应不同维度的数据。
❓
Q&A
这项研究提出了什么样的去噪方法？
该研究提出了一种结合卷积神经网络和非局部滤波器的深度去噪方法。
该去噪方法在什么类型的图像上表现最佳？
该方法在大型灰度和彩色图像数据集上表现出最先进的去噪性能。
该研究如何提高去噪效率？
该方法能够与卷积神经网络直接连接，并利用GPU计算的最新进展实现高效。
块匹配卷积神经网络（BMCNN）有什么特点？
BMCNN方法能够恢复重复和不规则结构的图像去噪，并在实验中达到了最先进的性能。
该研究的去噪方法适用于哪些环境？
该研究适用于资源受限环境，能够在视频压缩中实现与预处理去噪CNN类似的编码增益。
该研究在视频去噪方面有什么贡献？
研究提出了一种新方法，将视频自相似性输入到CNN中，以实现视频去噪的顶尖效果。
🏷️
