CCF广东工业大学学生分会举办“基于判别学习的图像复原方法”学术讲座

CCF广东工业大学学生分会于2024年12月27日（星期五）下午成功举办了主题为“基于判别学习的图像复原方法”的学术讲座。这场讲座的报告人是西北工业大学的副教授/博士生导师田春伟。田春伟副教授在2021年1月于哈尔滨工业大学取得计算机应用技术专业博士学位；入选2022-2024 年全球前2%顶尖科学家榜单、省级人才、西北工业大学翱翔新星；获得国际模式识别领域Top期刊Pattern Recognition 最佳论文奖、中国图象图形学学会科学技术奖自然科学奖二等奖(排名第1)、省计算机学会青年科技奖(排名第1)、省计算机学会科学技术奖三等奖(排名1)；已在视频/图像复原和识别、图像生成领域的国际期刊/会议上发表论文70余篇。 

初始，田春伟副教授提出了基于深度学习的图像复原方法存在的挑战，包括深度学习方法增加网络深度会导致高计算复杂度、在不同场景下复原的鲁棒性受到挑战、大多依赖有监督方式获得复原模型在现实应用中受限，还提出了基于信息熵、任务属性、自监督学习的图像复原方法，指出在捕获图像时会遇到天气、拍摄环境影响、光照条件差、相机抖动、运动的物体、复杂的背景、远距离拍摄等问题，并展示了噪声图像和低分辨率图像示例。

接着，田春伟副教授详细阐述了基于深度学习的图像复原方法面临的挑战，包括在复杂场景下鲁棒性下降和在低清图像放大为高清图像时超分辨模型稳定性受影响等问题。田春伟副教授提出了基于双网络的图像去噪方法和基于两阶段卷积神经网络的图像超分辨方法，并展示了不同方法在彩色图像和真实图像上的去噪结果对比，以及这些方法在处理 256×256、512×512、1024×1024 像素图像时的运行时间。此外，田春伟副教授还介绍了相关论文发表在期刊上的情况，并提供了相关代码链接。

然后，田春伟副教授讲授关于图像复原的方法，特别是基于任务属性的图像复原技术。田春伟副教授首先提到了基于深度学习的图像复原方法所面临的挑战，包括深度网络的复杂性和计算成本，以及复杂场景对图像复原模型性能的影响。接着，田春伟副教授提出了几种方法：基于注意力卷积神经网络的图像去噪方法、基于交叉Transformer卷积神经网络的图像去噪方法，以及基于多阶段小波变换卷积神经网络的图像去噪方法。

在讲解过程中，田春伟副教授详细展示了基于注意力卷积神经网络的图像去噪方法的结构图，并提供了代码链接，供感兴趣的学生进一步研究。进一步地，田春伟副教授探讨了基于交叉Transformer卷积神经网络的图像去噪方法，并展示了不同去噪方法在不同噪声级别下的性能比较表格。最后，田春伟副教授讲解了基于多阶段小波变换卷积神经网络的图像去噪方法，展示了详细的结构图。

随后，田春伟副教授讲授了基于自监督学习的图像复原方法。田春伟副教授首先指出，现有的基于深度学习的图像复原方法主要依赖于有监督学习，这在实际应用中存在一定的局限性。具体而言，有监督学习方法需要大量的标注数据，而这些数据往往难以获取，尤其是在图像复原任务中，干净的参考图像并不总是可用。此外，对标注数据的过度依赖可能导致模型泛化能力不足，难以应对多变的现实世界场景。

为了解决这些问题，田春伟副教授提出了一种新的基于自监督学习的方法。这种方法巧妙地利用图像的内在结构和冗余信息，无需外部标注即可进行训练。通过设计创新的损失函数，模型能够从退化的图像中学习复原过程，自动发现有助于复原的模式和特征。

在讲解过程中，田春伟副教授不仅展示了不同方法在不同噪声级别和水印密度下的去水印效果，还通过精心制作的表格，详细列出了各种方法的PSNR(峰值信噪比)、SSIM(结构相似性指数)和LPIPS(感知图像补丁相似性)等关键指标。这些数据清晰地展示了各方法在不同条件下的性能差异，为听众提供了直观的对比。

为了进一步加深理解，田春伟副教授还展示了具体的图像处理结果。田春伟副教授首先展示了原始图像，确保大家对基准有清晰的认识。接着，他展示了添加噪声后的图像，让听众直观感受到噪声对图像质量的影响。随后，田春伟副教授逐一展示了经过DnCNN、DRDNet、FastDemetNet、FFDNet和PSLNet等不同方法处理后的图像效果。每一步的展示都伴随着详细的讲解，解释每种方法在去噪和去水印方面的优势和不足。

通过这种对比，田春伟副教授不仅展示了各方法的技术细节，还强调了在实际应用中选择合适方法的重要性。田春伟副教授指出，不同的噪声级别和水印密度对去水印效果有显著影响，而选择合适的方法可以显著提高图像复原的质量。这种细致的讲解方式，不仅让听众对每种方法的性能有了全面的了解，也激发了他们对图像复原技术的浓厚兴趣。

此外，田春伟副教授还介绍了他的团队在这一领域的贡献，包括利用统计学数据分布思想配对噪声图像、通过退化任务的整体性和分解性提高去噪性能，以及利用质量评估思想引导深度网络获取更多纹理信息，确保模型的可靠性。

最后，田春伟副教授对此次报告进行总结，强调了利用生物技术和图像处理知识引导卷积神经网络，以提升在复杂场景下图像复原模型的鲁棒性。田春伟副教授提到，通过感知、稀疏和信号处理方法引导卷积神经网络，可以有效解决复杂背景下的图像去噪问题。此外，田春伟副教授还指出，结合深度搜索、广度搜索和信号处理，可以获取鲁棒的结构信息，并通过像素间的关联性提高图像复原模型的自适应性和实用性。

至此，讲座圆满结束，感谢田春伟副教授分享的精彩学术讲座！