Abstract. A deep learning algorithm for Gaussian noise removal from both grayscale and color images is developed. As opposed to most existing discriminative methods that train a specific model for each noise level, the proposed method can handle a wide range of noise levels using only two trained models, one for low noise levels and the other for high noise levels. In the proposed algorithm, the training process consists of three successive steps. In the first step, a classifier is trained to classify the noisy and clean images. In the second step, a denoiser network aims to remove the noise in the image features that are extracted by the trained classifier. Finally, a decoder is utilized to map back the denoised images features into images pixels. To evaluate the performance of the model, the Berkeley segmentation dataset of 68 images (BSDS68) and 12 widely used images are used, and the denoising performance for additive white Gaussian noise is compared with several state-of-the-art methods in terms of peak signal-to-noise ratio (PSNR) and visual quality. For grayscale image denoising of BSDS68, our method gives the highest PSNR on all noise levels (significant mean improvement of 0.99). For color image denoising of BSDS68, except for one low noise level, the proposed method gives the highest PSNR on all other noise levels (mean improvement of 0.3).

中文翻译：

---

从图像中去除高斯噪声的深度学习算法

摘要。开发了一种从灰度和彩色图像中去除高斯噪声的深度学习算法。与大多数现有判别方法为每个噪声级别训练特定模型不同，所提出的方法可以仅使用两个训练模型来处理广泛的噪声级别，一个用于低噪声级别，另一个用于高噪声级别。在所提出的算法中，训练过程由三个连续的步骤组成。第一步，训练分类器对嘈杂和干净的图像进行分类。在第二步中，降噪网络旨在去除训练分类器提取的图像特征中的噪声。最后，使用解码器将去噪后的图像特征映射回图像像素。为了评估模型的性能，使用了 68 张图像 (BSDS68) 和 12 张广泛使用的图像的伯克利分割数据集，并在峰值信噪比方面将加性高斯白噪声的去噪性能与几种最先进的方法进行了比较（ PSNR）和视觉质量。对于 BSDS68 的灰度图像去噪，我们的方法在所有噪声水平上都给出了最高的 PSNR（显着平均改进为 0.99）。对于 BSDS68 的彩色图像去噪，除了一个低噪声级别外，所提出的方法在所有其他噪声级别上给出了最高的 PSNR（平均改进为 0.3）。我们的方法在所有噪声水平上给出了最高的 PSNR（显着的平均改进为 0.99）。对于 BSDS68 的彩色图像去噪，除了一个低噪声级别外，所提出的方法在所有其他噪声级别上给出了最高的 PSNR（平均改进为 0.3）。我们的方法在所有噪声水平上给出了最高的 PSNR（显着的平均改进为 0.99）。对于 BSDS68 的彩色图像去噪，除了一个低噪声级别外，所提出的方法在所有其他噪声级别上给出了最高的 PSNR（平均改进为 0.3）。