Title

When Image Denoising Meets High-Level Vision Tasks: A Deep Learning Approach
代码：https://github.com/Ding-Liu/DeepDenoising

Summary

用Unet结构实现较好的去噪效果
我比较看重的点是因为这篇证明了UNet结构在图像复原上的有效性

Contribution(s)

  1. 提出一个网络用来去噪
  2. 提出一个网络拥有两个模块分别对应去噪和不同的高语义任务，并使用联合损失去优化去噪模块。作者证明：通过高级别视觉信息的引导，去噪网络的效果会很好。

Problem Statement

去噪

Method(s)

image.png
网络结构还是挺清楚的，用了一个类似Unet的结构，Feature Encoding和Feature Decoding如上图(b)、（c)所示，用了类似ResBlock+MobileNet的结构。

image.png
训练的时候，找到一个预训练好的用于无噪声图像的高级说到底任务的网络，将它固定住接在Denoising Network的后面，实现端到端训练。作者说这样的好处有2：1. 去噪网络比较鲁棒；2. 能直接用于其它的高级语义任务而不需要finetune。（这边的好处我不是很能理解，以及这个结构很像lpips的作用）

损失函数：
重建损失（MSE）+ 高级语义任务自身的损失（分割或者是分类的损失）