The degradation of the acquired signal by Poisson noise is a common problem for various imaging applications, such as medical imaging, night vision, and microscopy. Up to now, many state-of-the-art Poisson denoising techniques mainly concentrate on achieving utmost performance, with little consideration for the computation efficiency. Therefore, in this paper we aim to propose an efficient Poisson denoising model with both high computational efficiency and recovery quality. To this end, we exploit the newly developed trainable nonlinear reaction diffusion (TNRD) model which has proven an extremely fast image restoration approach with performance surpassing recent state-of-the-arts. However, the straightforward direct gradient descent employed in the original TNRD-based denoising task is not applicable in this paper. To solve this problem, we resort to the proximal gradient descent method. We retrain the model parameters, including the linear filters and influence functions by taking into account the Poisson noise statistics, and end up with a well-trained nonlinear diffusion model specialized for Poisson denoising. The trained model provides strongly competitive results against state-of-the-art approaches, meanwhile bearing the properties of simple structure and high efficiency. Furthermore, our proposed model comes along with an additional advantage, that the diffusion process is well-suited for parallel computation on graphics processing units (GPUs). For images of size $512 \times 512$ , our GPU implementation takes less than 0.1 s to produce state-of-the-art Poisson denoising performance.

中文翻译：

---

具有可训练的非线性扩散的快速，精确的泊松降噪

泊松噪声导致的采集信号衰减是各种成像应用（例如医学成像，夜视和显微镜检查）的常见问题。到目前为止，许多最新的泊松降噪技术主要集中在实现最大性能上，而很少考虑计算效率。因此，本文旨在提出一种高效的泊松降噪模型，该模型具有较高的计算效率和恢复质量。为此，我们利用了新开发的可训练非线性反应扩散（TNRD）模型，该模型已被证明是一种极其快速的图像恢复方法，其性能已经超过了最新技术。但是，在原始的基于TNRD的去噪任务中采用的直接直接梯度下降不适用于本文。为了解决这个问题，我们诉诸于近端梯度下降法。我们通过考虑泊松噪声统计信息来重新训练模型参数，包括线性滤波器和影响函数，最后得到训练有素的专门用于泊松降噪的非线性扩散模型。训练有素的模型提供了与最先进方法相比极具竞争力的结果，同时具有结构简单和高效的特性。此外，我们提出的模型还具有其他优势，即扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为512乘以512的图像，我们的GPU实现只需不到0.1 s的时间即可产生最先进的Poisson降噪性能。考虑到Poisson噪声统计信息，包括线性滤波器和影响函数，最后得到训练有素的专门用于Poisson去噪的非线性扩散模型。训练有素的模型提供了与最先进方法相比极具竞争力的结果，同时具有结构简单和高效的特性。此外，我们提出的模型还具有其他优势，即扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为512乘以512的图像，我们的GPU实现只需不到0.1 s的时间即可产生最先进的Poisson降噪性能。考虑到Poisson噪声统计信息，包括线性滤波器和影响函数，最后得到训练有素的专门用于Poisson去噪的非线性扩散模型。训练有素的模型提供了与最先进方法相比极具竞争力的结果，同时具有结构简单和高效的特性。此外，我们提出的模型还具有其他优势，即扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为512乘以512的图像，我们的GPU实现只需不到0.1 s的时间即可产生最先进的Poisson降噪性能。最终得到训练有素的非线性扩散模型，该模型专门用于泊松降噪。训练有素的模型提供了与最先进方法相比极具竞争力的结果，同时具有结构简单和高效的特性。此外，我们提出的模型还具有其他优势，即扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为512乘以512的图像，我们的GPU实现只需不到0.1 s的时间即可产生最先进的Poisson降噪性能。最终得到训练有素的非线性扩散模型，该模型专门用于泊松降噪。训练有素的模型提供了与最先进方法相比极具竞争力的结果，同时具有结构简单和高效的特性。此外，我们提出的模型还具有其他优势，即扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为512乘以512的图像，我们的GPU实现只需不到0.1 s的时间即可产生最先进的Poisson降噪性能。扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为512乘以512的图像，我们的GPU实现只需不到0.1 s的时间即可产生最先进的Poisson降噪性能。扩散过程非常适合在图形处理单元（GPU）上进行并行计算。对于大小为$ 512 \ times 512 $的图像，我们的GPU实现只需不到0.1 s即可产生最新的Poisson降噪性能。