论文笔记——[CVPR2019]Noise2Void-Learning Denoising from Single Noisy Images

壁纸下载

论文笔记——[CVPR2019]Noise2Void-Learning Denoising from Single Noisy Images

4月 19, 2022 阅读 1830 字数 704 评论 0 喜欢 0

创新点：
①提出了一种自监督训练去噪模型的方法，可以在不需要干净目标的情况下训练
②只有一张噪声图像就可以训练（解决N2N需要一对噪声图像来训练的问题）

噪声图像的构成

\textbf{x} = \textbf{s} + \textbf{n}，其中x为噪声图像，s为原始信号，n为信号退化噪声。一般来说，去噪任务是为了把n去除。

提出假设

  • 信号s不是像素独立的（也即图像信号的像素不是相互独立的）。
  • 噪声n在给定信号s的条件下是像素无关的（也就是各个像素之间的噪声是独立同分布的）。
  • 噪声的均值为0

方法

作者认为去噪结果\hat{s}中的每一个像素只跟邻近的区域有关。于是提出

其中x_{RF(i)}代表以位置i为中心的一个patch，于是传统的监督学习可以表示为

在N2V网络中，只有单张噪声图像，作者希望在一个patch范围内预测中心点的像素，但是如果把整个patch输入，网络只会直接把中心点输出。
于是作者提出了一种特殊的网络结构——盲点网络。
该网络的优点在于其不会学到恒等映射。因为我们假设了噪声在像素间是不相关的，所以只利用邻域信息是不能恢复噪声的，而只能恢复图像信息。也因此网络不能产生比期望值更好的估计结果。
当然，文章也提到了，由于该网络在预测时并没有使用所有可用信息，所以其结果精确度可能比起正常网络会有略微的下降。

在实际使用中，为了加快学习，并不会把中心像素变为空白，而是选择同一个patch里面中心的附近的一个像素替换中心像素。

缺点：
①需要信号具有可预测性，否则会丢失纹理细节

②不能区分信号和结构性噪声，因为假设噪声是像素独立的

发表评论

您的电子邮箱地址不会被公开。