自监督图像重建方法的样本复杂度分析
图像与视频处理
2023-10-30 v2 计算机视觉与模式识别
摘要
在干净图像与含噪测量配对数据上监督训练深度神经网络，在许多图像重建任务中达到了最先进性能，但此类训练配对难以收集。自监督方法仅需基于含噪测量即可训练，无需干净图像。本文中，我们针对一类能够计算监督损失梯度无偏估计（包括 noise2noise 方法）的自监督方法，从样本复杂度角度研究自监督训练的代价。我们分析表明，以此类自监督方式训练的模型与以监督方式训练的相同模型性能相当，但自监督训练比监督训练需要更多样本。随后，我们通过实验研究自监督去噪与加速 MRI，刻画自监督训练在所需额外样本数量上的代价，并发现正如我们的理论所预测，随着训练样本数量增加，自监督与监督训练之间的性能差距以依赖于问题的速率消失。
引用
@article{arxiv.2305.19079,
title = {Analyzing the Sample Complexity of Self-Supervised Image Reconstruction Methods},
author = {Tobit Klug and Dogukan Atik and Reinhard Heckel},
journal= {arXiv preprint arXiv:2305.19079},
year = {2023}
}