《表1 BSD100上不同网络深度对比结果》

  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

《基于级联密集网络的轮廓波变换域图像复原》

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

基于CNN的图像复原模型中，增加网络深度对提升性能起到了至关重要的作用，但同时也带来参数量的增加，影响了模型的应用价值.这里，我们将给出CDCNN深度与图像复原性能的关系，从中选取出合理的结构设计.表1中给出了BSD100数据集上不同深度CDCNN的去噪结果以及参数量，BSD测试图像分别添加0均值标准差为50的加性高斯噪声.这里，每个卷积层的卷积核为3×3，滤波个数为32，A表示CDCNN中密集块的个数，B表示每个密集块中卷积层的个数.可以看出:虽然增加网络深度可以带来复原性能的不断提升，但当达到一定深度时，性能的提升开始变慢，而参数量却仍在持续快速增加.为了使复原性能和网络参数量达到很好的平衡，本文提出的CDCNN中包含7个密集块，每个密集块中包含6个卷积层，剩余实验部分均采用这种网络结构设计.