کاهش نویز تصاویر دیجیتال با استفاده از اثر توجه و کاهش عمق شبکه های عصبی عمیق

یکی از مهمترین موضوعات در پردازش تصویر حذف نویز می باشد تا بتوان کیفیت تصویر را بهبود بخشید. از آنجائیکه شبکه های عصبی عمیق به تنهایی با افزایش عمق شبکه با مشکلاتی مانند محو گرادیان مواجه می شوند و نمی توانستند جزئیات را به خوبی برای یک وظیفه خاص پوشش دهند در این مقاله، با کاهش عمق شبکه و افزایش پهنای آن، امکان استخراج ویژگی های متنوع از کانال های مختلف فراهم می شود، که این امر منجر به افزایش دقت شبکه می گردد. با افزایش پهنای شبکه به دو انشعاب، اطلاعات متفاوتی از تصویر نویزی استخراج می شود که این عمل برای تفکیک داده های نویزی  از تصویر  بسیار موثر است. اثر توجه به ویژگی ها در هر کانال و وزن دهی آنها در عملیات حذف نویز نیز در نظر گرفته می شود. در نهایت برای بررسی کارامدی روش پیشنهادی، نتایج با آخرین دستاوردهای این حوزه مقایسه می شوند. نتایج شبیه سازی با بررسی دو معیار psnr و ssim و هم از نگاه بصری نشان می دهد این روش در مقابله با انواع نویز ترکیبی و کور جهت انجام کارهای پردازشی در حد قابل قبولی می باشد و از طرفی استفاده از  اثر توجه و شبکه های موازی می تواند در مواجهه با نویز حقیقی بسیار موثر باشد و توانسته است به میانگین psnr=36.34db دست یابد

noise reduction of digital images using attention effect and depth reduction of deep neural networks

noise removal is one of the important topics in image processing to improve image quality. since deep neural networks alone face problems such as vanishing gradient by increasing the depth of the network and could not cover the details well for a specific task, in this paper, by reducing the depth of the network and increasing its width, it is possible to obtain diverse features from different channels, which increases the accuracy of the network. by increasing the width of the network into two branches, different information is extracted from the noisy image, which is very accurate for separating noisy data from the image. the effect of attention to the features in each channel and their weighting in the noise removal operation is also considered. finally, to check the effectiveness of the proposed method, the results are compared with the state of the art results in this field. the simulation results by examining both psnr and ssim and from a visual point of view show that this method is acceptable in dealing with various types of synthetic and blind noises for performing processing, and on the other hand, using the effect of attention and parallel networks can be achieved with psnr=36.34db, which is very effective in real noise.