🍕
AI Paper Study
  • AI Paper Study
  • Computer Vision
    • SRCNN(2015)
      • Introduction
      • CNN for SR
      • Experiment
      • 구현해보기
    • DnCNN(2016)
      • Introduction
      • Related Work
      • DnCNN Model
      • Experiment
      • 구현해보기
    • CycleGAN(2017)
      • Introduction
      • Formulation
      • Results
      • 구현해보기
  • Language Computation
    • Attention is All You Need(2017)
      • Introduction & Background
      • Model Architecture
      • Appendix - Positional Encoding 거리 증명
  • ML Statistics
    • VAE(2013)
      • Introduction
      • Problem Setting
      • Method
      • Variational Auto-Encoder
      • 구현해보기
      • Appendix - KL Divergence 적분
  • 직관적 이해
    • Seq2Seq
      • Ko-En Translation
Powered by GitBook
On this page
  • Training/Test Data
  • Setting

Was this helpful?

  1. Computer Vision
  2. DnCNN(2016)

Experiment

PreviousDnCNN ModelNext구현해보기

Last updated 3 years ago

Was this helpful?

Training/Test Data

Gaussian Denoising에서는 180x180 크기의 이미지 400개를 사용해 train한다.

특정 noise level에서의 denoising은 σ=15,25,50\sigma=15,25,50σ=15,25,50에서 진행한다. Patch size는 40x40이며 128x1600개로 crop해 사용한다.

Blind noise level에선(흑백) σ∈[0,55]\sigma\in[0,55]σ∈[0,55]의 noise 범위에서 데이터를 만들고, patch size=50x50, 128x3000개로 crop한다. 컬러에선 BSD의 500장 이미지(432+68) 중 432개의 이미지를 사용한다.

JPEG Deblocking, SISR을 포함하는 일반적인 작업에선 patch size=50x50, 128x8000개로 crop한다.

Test는 BSD68 및 널리 사용되는 12장의 이미지를 사용한다.

Setting

DnCNN-S(특정 noise level)은 depth=17이고 DnCNN-B(blind), CDnCNN-B(컬러), DnCNN-3(3 task)에선 depth=20이다. loss function은 같게 사용한다.

최적화는 SGD(momentum=0.9)로 하되, 50epoch동안 learning rate를 0.1에서 1e-4까지 지수적으로 decay한다.

Batch size는 128이다. Test metric으로 PSNR을 사용한다.