论文笔记——[ICML2018]Noise2Noise: Learning Image Restoration without Clean Data

壁纸下载

论文笔记——[ICML2018]Noise2Noise: Learning Image Restoration without Clean Data

4月 18, 2022 阅读 1922 字数 638 评论 0 喜欢 0

创新点：
①不需要干净样本的图片降噪
②可以仅仅通过无标签的噪声信号重建无噪的信号，而不需要干净的样本，并且性能上超越了运用干净数据进行训练的性能。
③具有一定的统计学原理

去噪问题

去噪问题通常可以转化为优化问题：

fθ即为CNN模型，x为有噪样本，y为无噪样本，L为loss function。

理论背景

假设通过不靠谱的测量方法来获得一系列的房间温度(y_1,y_2,...)，于是估计真实温度的一个方法是根据某个损失函数L找到一个与测量值平均偏差最小的数z：

对于神经网络下的训练样本对(x_i,y_i)，需要学习参数θ（点估计）：

若忽略输入数据之间的依赖，公式可以转化为

在用L2loss训练神经网络的时候，我们可以用期望值等于我们想要的拟合对象的数据去替换这个拟合对象，但是神经网络的拟合效果不变。

所以作者假设噪声分布是0均值的，也就是说，如果我们把正常训练过程的清晰数据加上任意0均值的噪声分布，是不会影响网络训练的。

于是可以得到下面的优化函数：
其中\hat{x}_i, \hat{y}_i，都可以来自噪声数据。

实验

如果使用N2N用作去噪方法，只需要将常见的编解码网络，如U-Net的输入和拟合目标替换为满足前文所证明的数据（相同目标的独立且均值为0的噪声采样）正常训练即可。

缺点：
①不是所有图像都满足0均值噪声，比如泊松噪声。
②训练需要同一个对象的一对噪声图片，也就是需要同时拍两张一样的照片。

发表评论

您的电子邮箱地址不会被公开。