通过 GainTuning 的自适应去噪
计算机视觉与模式识别
2024-11-05 v1
摘要
用于图像去噪的深度卷积神经网络（CNNs）通常在大型数据集上训练。这些模型达到了当前最优水平，但在应用于偏离训练分布的数据时难以泛化。近期工作表明，在单张含噪图像上训练去噪器是可能的。这些模型适应测试图像的特征，但其性能受限于用于训练的信息量过少。在此我们提出“GainTuning”，其中在大型数据集上预训练的 CNN 模型针对单个测试图像进行自适应选择性调整。为避免过拟合，GainTuning 优化 CNN 卷积层中每个通道的单一乘性缩放参数（“增益”，Gain）。我们表明 GainTuning 在标准图像去噪基准上改进了最优 CNN，在留出测试集中几乎每张图像上都提升了去噪性能。对于在噪声水平或图像类型上与训练数据系统性不同的测试图像，这些自适应改进更为显著。我们在科学应用中展示了自适应去噪的潜力：CNN 在合成数据上训练，并在真实透射电子显微镜图像上测试。与现有方法不同，GainTuning 能够在极低信噪比下从这些数据中忠实重建催化纳米颗粒的结构。
引用
@article{arxiv.2107.12815,
title = {Adaptive Denoising via GainTuning},
author = {Sreyas Mohan and Joshua L. Vincent and Ramon Manzorro and Peter A. Crozier and Eero P. Simoncelli and Carlos Fernandez-Granda},
journal= {arXiv preprint arXiv:2107.12815},
year = {2024}
}