文件名称：matlab对比实验代码-PT-MWRN:PT-MWRN
文件大小：1.88MB
文件格式：ZIP
更新时间：2024-06-11 08:03:03
系统开源
matlab对比实验代码多级小波残差网络的图像去噪渐进训练 致谢 感谢左望孟教授在这项工作中的指导和帮助。 抽象的 近年来，目睹了深度卷积神经网络（CNN）在图像去噪方面的巨大成功。 尽管更深的网络和更大的模型容量通常会提高性能，但是训练非常深的图像去噪网络仍然是一个具有挑战性的实际问题。 以多级小波-CNN（MWCNN）为例，我们从经验上发现，通过增加小波分解级别或增加每个级别内的卷积层，都无法显着提高去噪性能。 为了解决这个问题，本文提出了一种多级小波残差网络（MWRN）架构以及一种渐进训练（PTMWRN）方案来提高图像去噪性能。 与MWCNN相比，我们的MWRN在每个级别的离散小波变换（DWT）之后和逆离散小波变换（IDWT）之前引入了几个残差块。 为了减轻训练难度，通过要求中间输出逼近地面真实图像的相应小波子带，将比例特定的损失应用于MWRN的每个级别。 为了确保特定比例尺损失的有效性，我们还将噪声图像的小波子带作为编码器每个比例尺的输入。 此外，采用渐进式训练方案以更好地学习MWRN，方法是从训练最低级别的MWRN开始，然后逐步训练高层的RNRN，以便为去噪结果带来更多细节。
【文件预览】：
PT-MWRN-master
----Demo_Image_PT_MWRN_Denoising_grayscale.m(3KB)
----Demo_Image_CMWCNN_Denoising.m(3KB)
----Demo_Image_PT_MWRN_DND.m(248B)
----Demo_Image_PT_MWRN_SIDD.m(713B)
----README.md(4KB)
----func()
--------Cal_PSNRSSIM.m(6KB)
--------denoiser_self.m(996B)
--------undata_augmentation.m(737B)
--------vl_nniwt2.m(2KB)
--------modcrop.m(279B)
--------denoise_srgb.m(2KB)
--------denoiser.m(849B)
--------Processing_Im.m(364B)
--------vl_nndwt2.m(2KB)
--------DenoiseSrgb_SIDD.m(1KB)
--------data_augmentation.m(769B)
--------bundle_submission_srgb.m(579B)
----figure()
--------4.PNG(97KB)
--------6.PNG(41KB)
--------1.PNG(115KB)
--------7.PNG(1.38MB)
--------3.PNG(80KB)
--------2.PNG(134KB)
--------5.PNG(47KB)
----+dagnn()
--------DWT2HD.m(910B)
--------IWT2HD.m(910B)
----Demo_Image_PT_MWRN_Denoising_color.m(3KB)