《表1 不同训练图块数下NRE预测模型预测结果与真值之间的RMSE值比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《浅层CNN网络构建的噪声比例估计模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示最优结果。

如图3所示，文中所构建的NRE噪声比例预测模型的输入为d×d大小的噪声图块，经过多个卷积层（每一卷积层中均使用3×3×16的卷积核生成中间特征映射图）与ReLU激活函数提取特征并结合池化（pooling）和全连接（fully connected layers，FC）层降维后得到最终的噪声比例值。理论上所使用的卷积层数越多，网络的映射能力越强，但同时执行时间也将显著增加。由表1可知:所提出的NRE噪声比例预测模型（使用3层卷积）在预测值与真实值的均方根误差（root mean squared error，RMSE）平均值已经控制在1%以内，完全满足调用DnCNN模型的精度要求。而所构建的NRE噪声比例预测模型作为Dn CNN随机脉冲降噪模型的前置支撑模块，其执行效率是优先考虑因素，以避免拖累降噪算法的整体性能。故综合考虑预测模型的预测准确性和执行效率，本文使用3个卷积层构建NRE模型。