近年来，深度卷积神经网络在图像去噪方面表现出优异的性能。然而，深度网络结构往往带有大量的模型参数，导致训练成本高、推理时间长，限制了它们在去噪任务中的实际应用。该文提出一种新的具有跳跃连接的双卷积去噪网络（NECDNet），该网络在去噪效果和网络复杂度之间实现了理想的平衡。所提出的NECDNet由噪声估计网络、多尺度特征提取网络、双卷积神经网络和双注意力机制组成。利用噪声估计网络对噪声水平图进行估计，并结合多尺度特征提取网络，提高模型获取图像特征的灵活性。双卷积神经网络分支设计包括卷积和膨胀卷积交互连接，下分支由膨胀卷积层组成，两个分支都使用跳跃连接。实验表明，与其他模型相比，所提出的NECDNet在所有比较噪声水平下都实现了优异的PSNR和SSIM值，特别是在较高噪声水平下，显示出对较高噪声水平图像的鲁棒性。它还展示了更好的视觉效果，在降噪和细节保留之间保持了平衡。
You may also start an advanced similarity search for this article.