创新点：
①提出一种盲点到无盲点的训练方法（解决N2V中信息缺失的问题）
②可以避免去噪过程中的“恒等映射”问题（噪点像素被直接输出）

模型架构

一张噪声图像y通过一个Global Masker Ω操作，变成四张含有盲点的图片，这四张图片分别通过去噪网络f()，获得四张去噪结果，然后通过Global Mask Mapper h()的操作，获得一张去噪结果h(f_\Theta(\Omega_y))。另一方面，完整的噪声图像y也要通过去噪神经网络f()，获得另一个去噪结果f_\Theta(y)。两者进行一个加权平均，获得的结果和y做loss，即L_{rev}。
损失函数为：

Global-Aware Mask Mapper

把图像分成若干2×2的窗口，每个窗口把一个位置的像素置为黑色，输出四张mask后的噪声图，分别输入去噪网络，最后把各个恢复的部分合并为不含盲点的复原图像。

推理阶段

如第一张图，推理阶段只使用去噪网络进行去噪。

实验结果

作者做了合成图像去噪和真实图像去噪，部分情况下指标不是最高。

CODE

代码整体采用UNet结构

# Noise adder（噪声产生模块）
noise_adder = AugmentNoise(style=opt.noisetype)

# Masker（全局感知掩模映射器）
masker = Masker(width=4, mode='interpolate', mask_type='all')

# Network
network = UNet(in_channels=opt.n_channel,
                out_channels=opt.n_channel,
                wf=opt.n_feature)