《Digital Signal Processing》：Dual-branch residual sparse network with serial-parallel structure for image denoising
編輯推薦：
在圖像去噪領域，現有深度學習網絡存在模型復雜或性能不足等問題。研究人員開展雙分支殘差稀疏網絡（DRSNet）的研究，該網絡具有串行 - 并行結構。結果顯示其去噪性能優異且復雜度適中，為移動設備圖像去噪提供了更好選擇。
在如今這個 “人人都是攝影師” 的時代，手機、相機等設備讓我們能夠輕松記錄生活中的每一個精彩瞬間。然而，惱人的噪聲卻常常破壞這些美好畫面，給圖像質量大打折扣。從專業的攝影領域到日常的手機拍照，圖像去噪都成為了提升圖像品質的關鍵一環。
傳統的圖像去噪方法，像塊匹配和 3D 濾波（BM3D）這類算法，雖然在一定程度上能夠去除噪聲、保留圖像細節，但它們往往有著參數數量大的局限，在實際應用中受到諸多限制。隨著深度學習的興起，基于深度神經網絡的去噪模型嶄露頭角。這些模型通過學習圖像中復雜的特征和模式，減少了對超參數的依賴，推理速度也更快，在去噪效果上超越了傳統方法。比如去噪卷積神經網絡（DnCNN），它能有效捕捉圖像去噪過程中的殘差信息；還有快速靈活去噪網絡（FFDNet），以較低的計算成本和較小的模型尺寸實現了高效的圖像去噪。
不過，深度學習網絡也并非完美無缺。較大的網絡模型雖然去噪效果出色，但運行時間長、占用內存大，對硬件設備要求極高，這使得它們在一些資源受限的場景中難以施展拳腳；而較小的網絡模型雖然運行速度快、占用空間小，卻又存在去噪性能不足的問題。如何找到一個既能保證優秀去噪性能，又具有較低復雜度的網絡模型，成為了研究人員亟待攻克的難題。
為了解決這一困境，來自北京科技大學自動化與電氣工程學院和華北電力大學自動化學院的研究人員開展了深入研究，他們提出了一種全新的雙分支殘差稀疏網絡（DRSNet）。這項研究成果發表在了《Digital Signal Processing》上，為圖像去噪領域帶來了新的突破。
研究人員在構建 DRSNet 模型時，采用了兩項關鍵技術。一是串行 - 并行結構，這種獨特的結構不同于傳統的僅依賴串行或并行結構的卷積神經網絡（CNNs），它能同時進行深度和廣度搜索，從而獲取更全面的圖像特征信息，像圖像的結構和紋理細節等都能被有效捕捉，大大提升了模型的去噪性能。二是提出了兩個創新模塊，即殘差稀疏塊（RSB）和注意力引導殘差稀疏塊（ARSB）。這兩個模塊運用了混合擴張卷積和殘差連接技術，不僅克服了標準卷積感受野有限、參數多易過擬合的缺點，還解決了擴張卷積計算效率低的問題，實現了網絡深度和廣度的平衡。
研究結果
- 網絡結構設計優勢：DRSNet 由兩個不同的分支子網組成，分別是殘差稀疏塊（RSB）子網和注意力引導殘差稀疏塊（ARSB）子網。每個子網都包含五個稀疏塊，并通過下采樣和上采樣操作相連，這樣的設計能夠從局部細節到全局上下文捕捉多尺度信息。例如，在處理含有復雜紋理的圖像時，網絡能夠精準地聚焦到紋理細節處，去除噪聲的同時保留紋理特征，使去噪后的圖像更加清晰、自然。
- 去噪性能卓越：通過一系列實驗對比，結果表明 DRSNet 在去噪性能上表現優異。與其他現有模型相比，它能夠在去除噪聲的同時，更好地保留圖像的細節信息，提升圖像的視覺質量。在面對不同程度噪聲污染的圖像時，DRSNet 都能穩定地輸出高質量的去噪圖像，無論是在結構紋理的還原還是噪聲抑制方面都展現出了強大的能力。
- 模型復雜度適中：DRSNet 模型的參數數量較少，計算復雜度處于中等水平。這意味著它在保證優秀去噪性能的同時，對硬件設備的要求較低，非常適合像無人機這類移動設備的圖像去噪需求，在實際應用場景中具有很大的優勢。
研究結論與討論
雙分支殘差稀疏網絡（DRSNet）為圖像去噪提供了一種全新且高效的解決方案。它通過獨特的串行 - 并行結構以及創新的殘差稀疏塊（RSB）和注意力引導殘差稀疏塊（ARSB）模塊，成功地在去噪性能和模型復雜度之間找到了平衡。這種平衡對于實際應用至關重要，特別是在資源受限的移動設備領域，DRSNet 能夠為用戶帶來更好的圖像去噪體驗，提升圖像的質量和可用性。
此外，DRSNet 的成功構建也為后續的圖像去噪研究提供了新的思路和方向。它證明了通過巧妙的網絡結構設計和模塊創新，可以在不增加過多計算負擔的前提下，顯著提升模型的性能。未來的研究可以在此基礎上進一步優化網絡結構，探索更多的應用場景，比如在醫學圖像去噪、衛星圖像去噪等領域，發揮 DRSNet 更大的價值，為圖像去噪技術的發展注入新的活力。
