Применение разложения изображения с помощью дискретного вейвлет-преобразования для построения архитектуры шумоподавляющей нейронной сети

Подавление шума на цифровых изображениях — одна из самых распространенных задач в области обработки изображений. На данный момент широкое применение имеют подходы подавления шума, основанные на применении сверточных нейронных сетей (CNN, convolutional neural network). При этом, как правило, обучение модели строится на минимизации функции ошибки между результатом работы сети и ожидаемым эталонным изображением и дополнительно не используются различные представления двумерного сигнала изображения и их свойства для оптимизации обучения архитектур шумоподавляющих сетей. Предложен подход к обучению нейронных сетей подавлять шум. Описанный подход основан на применении N-кратного быстрого вейвлет-преобразования Хаара (БВПХ). Такое представление дискретного сигнала изображения позволяет отказаться от классической архитектуры автоэнкодера и использовать только его часть, кодирующую сигнал, что приводит к значительному сокращению параметров модели и ускоряет работу сети.