# Kernel Prediction Networks DENOISE

文章目录

• [Kernel Prediction Networks DENOISE](#Kernel Prediction Networks DENOISE)
• • [1.【论文复现】Kernel Prediction Networks](#1.【论文复现】Kernel Prediction Networks)
  • [2. Burst Denoising with Kernel Prediction Networks cvpr2018](#2. Burst Denoising with Kernel Prediction Networks cvpr2018)
  • [3. MULTI-KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES](#3. MULTI-KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES)
  • [4. Weighted Multi-Kernel Prediction Network for Burst Image Super-Resolution](#4. Weighted Multi-Kernel Prediction Network for Burst Image Super-Resolution)

Kernel Prediction Networks DENOISE

1.【论文复现】Kernel Prediction Networks

https://zhuanlan.zhihu.com/p/73349632

2. Burst Denoising with Kernel Prediction Networks cvpr2018

https://openaccess.thecvf.com/content_cvpr_2018/papers/Mildenhall_Burst_Denoising_With_CVPR_2018_paper.pdf

效果还是很好的

博客：https://blog.csdn.net/zbwgycm/article/details/80987721

代码：https://github.com/google/burst-denoising

3. MULTI-KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES

和 2 挺接近：

主要是预测不同 kernel size的kernel.

另外为了减少计算量：

1. 预测 n x n的kennel 改为 2 x n, 2维变1维 吗， 核分离技术
2. inference的时候 先将各种kernel合并为一个

其他和2 基本一致：

使用 L2 灰度损失 和 L1梯度损失， 训练的时候采用退火训练方法。

效果比2好：

第1行是本文，第二行是 2 文， 其他是kernel size的大小，但是是分离的1d kernel, 所以计算成本比2d kernel小。

4. Weighted Multi-Kernel Prediction Network for Burst Image Super-Resolution

相比3 主要是引入 各个kernel的weight

比如 kernel size为1 ，3， 5.。。 的kernel 的weight， 3中是求平均，这里会预测weight, 然后加权。

code:https://github.com/chowy333/WMKPN-Burst_Super-Resolution