BSD68数据集去噪实战：基于深度学习的图像恢复方案解析

1次阅读

没有评论

共计 1549 个字符，预计需要花费 4 分钟才能阅读完成。

BSD68 是经典图像去噪基准数据集，包含 68 张自然场景灰度图像（尺寸 481×321 或 321×481），源自 Berkeley Segmentation Dataset。其价值在于：

覆盖多样化纹理（如建筑 / 植被 / 水面）
提供标准噪声水平（σ=15/25/50）的测试集
被 300+ 论文引用作为量化评价基准

经典算法 BM3D 虽在 PSNR 指标表现良好，但存在明显缺陷：

计算复杂度高：处理 512×512 图像需 800ms 以上（Xeon E5 CPU）
边缘模糊：各向同性滤波导致纹理细节丢失
参数敏感：噪声水平估计偏差会显著降低效果

采用 U -Net+Residual 混合结构：

编码器：4 层下采样，每层含 2 个 ResBlock（Conv+BN+ReLU）
瓶颈层：通道注意力模块（SEBlock）
解码器：转置卷积上采样（stride=2）配合跳跃连接

组合使用：

L1 Loss：稳定训练收敛
SSIM Loss（权重 0.3）：保持结构相似性

class SEBlock(nn.Module):
    def __init__(self, channels, reduction=16):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(nn.Linear(channels, channels//reduction),
            nn.ReLU(),
            nn.Linear(channels//reduction, channels),
            nn.Sigmoid())

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y

class ResBlock(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.conv = nn.Sequential(nn.Conv2d(in_channels, in_channels, 3, padding=1),
            nn.BatchNorm2d(in_channels),
            nn.ReLU(),
            nn.Conv2d(in_channels, in_channels, 3, padding=1),
            nn.BatchNorm2d(in_channels)
        )

    def forward(self, x):
        return F.relu(x + self.conv(x))

使用 NVIDIA DALI 加速预处理：