Self-Guided Network for Fast Image Denoising (ICCV2019)
这篇论文提出了一个自指导的网络用于图像快速去噪，该网络采用一种自指导的方式，用低分辨率下得到的图像特征和上下文信息来指导精细尺度下图像的去噪过程，其中每个分支的输入图像是用shuffle操作来得到的，与以往的下采样有所不同，作者认为shuffle操作可以减小图像的空间分辨率，同时保持输入图像信息。总体的网络结构如下：
此外，作者还通过实验发现，在早期把上一层的信息传递进来的效果会比在后期利用好一点。部分实验结果如下：
Real Image Denoising with Feature Attention(ICCV Oral 2019)
现有的真实图像去噪网络往往包含两个阶段，首先是噪声估计，然后再进行去噪。本文提出了RIDNet，没有噪声估计，仅一步就可以实现真实图像去噪。在残差式网络结构的基础上引入残差学习，使用了local connection (LC)和long skip connection (LSC)两种残差连接方式。其中，LC用在每个EAM模块内部，EAM内的每个部分都可看作是一个残差块，其整体又构成了一个较大的残差块，值得注意的是，EAM模块的最后一部分是一个feature attention模块，其实本质就是一个通道注意力机制，用于动态调整特征图的权重。整个RIDNet由4个EAM模块级联构成的，在第一个模块的前面和最后一个模块的后面，各有一层卷积层，分别用作特征提取和重建。其网络结构和attention分别如下：
该方法在真实图像和合成数据集上都取得了很好的结果，给出部分实验结果：
