铜灵 编译整理

量子位 出品 | 公众号 QbitAI

图像上噪点太多了，一大片都是点点的雪花连女神的脸都看不清了，传统去噪方法效果太差，可否有破解方法？

最近一篇研究表示，无需开创新型图像去噪算法，仅仅在现有算法上稍微改进，就能让去噪效果上升好几个台阶。

在目前主流的、基于补丁的图像去噪算法如BM3D，LPCA和PLOW上，这种改进术都取得了肉眼可见的提升。

不信你看：

△ ①：原图，②噪点图，③传统BM3D去噪算法效果，④优化后的BM3D算法效果

有图有真相：

△ PLOW算法优化后效果对比

老电视般的雪花效果通通不见：

△ LPCA算法优化后效果对比

它是怎样优化老牌去噪算法的？

“补丁组”理论

在论文Good Similar Patches for Image Denoising中，来自波特兰州立大学的Si Lu介绍了这种“特效般”去噪大法的原理。

此前，像BM3D、LPCA和PLOW等基于补丁的去噪算法表现都还不错。通过重现输入图片中的类似补丁，这些方法能够预测潜在的补丁结构，进而进行图像去噪。

所以，这些方法中，所选的类似补丁的质量是影响最后去噪效果的最关键因素。

类似补丁是怎样挑选的？此前研究人员最常用的方法就是用最近邻搜索（Nearest Neighbour Search ，NNS）决定。由于图像噪点的存在，但用这种方法挑选出来的补丁与最佳水平总会存在一些偏差：

如上图所示，左图为给定的参考补丁及一系列NNS给出的类似补丁，可以看出，预估的补丁与噪点参考比较近，而离真实干净补丁（右图）较远，所以NNS不是搜索补丁的最优选择。

在这篇论文中，研究人员提出了一种新型补丁搜索大法，帮助寻找一系列基于补丁的去噪算法的类似补丁，比如常用的BM3D、LPCA和PLOW算法。

好的相似补丁应该近似无噪声版本的参考补丁，研究人员假设，优质类似补丁的分布近似高斯函数，而非一定以噪点参考为中心。

基于这种假设，研究人员先用NNS获取了每个参考补丁的一系列备用类似补丁，然后将这些备选补丁的按高斯分布建模，将他们分成不同的子分类。

最后，研究人员将这些包含参考补丁的子分类作为类似去噪补丁，去噪效果有了明显提升。

△ 流程图

为了进一步提升类似补丁的质量，研究人员还对输入的噪点图像进行了预处理，消除了不可靠像素的影响。

在分别对改进后的BM3D、LPCA和PLOW算法，正如开头所示，改进后方法的峰值信噪比（PSNR）比改进前有了提高，去噪效果的进步肉眼可见。

传送门

目前，这篇论文已经被IEEE WACV 2019接收，想进一步探索去噪大法可以移步论文Good Similar Patches for Image Denoising原文：

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态