基于鲁棒哈达玛自编码器的盲图像去噪与修复
图像与视频处理
2021-01-27 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
在本文中，我们展示了深度自编码器如何推广到修复与去噪的情形，即便在没有干净训练数据可用时也是如此。特别地，我们展示了如何训练神经网络以同时执行所有这些任务。虽然由神经网络实现的深度自编码器已展现出在去噪与异常检测方面的潜力，但标准自编码器的缺陷在于其训练需要访问干净数据。然而，鲁棒深度自编码器（RDAE）的近期工作表明，如何在无需任何干净训练数据的情况下训练自编码器以消除数据集中的离群值与噪声。受此工作启发，我们将 RDAE 推广到数据不仅有噪声且含离群值、而且仅被部分观测的情形。此外，我们训练神经网络的数据库具有以下性质：所有条目均含噪声，部分条目被较大错误破坏，且许多条目甚至未知。给定这样一种算法，许多标准任务，如去噪、图像修复与未观测条目填补，均可于同一框架内同时完成。在此，我们在标准机器学习任务上演示了这些技术，例如 MNIST 与 CIFAR10 数据集上的图像修复与去噪。然而，这些方法不仅适用于图像处理问题，还对制造与网络处理等现实问题中自然产生的含噪声、部分观测数据具有广泛影响。
引用
@article{arxiv.2101.10876,
title = {Blind Image Denoising and Inpainting Using Robust Hadamard Autoencoders},
author = {Rasika Karkare and Randy Paffenroth and Gunjan Mahindre},
journal= {arXiv preprint arXiv:2101.10876},
year = {2021}
}