提升基于隐式神经表示的图像去噪器
计算机视觉与模式识别
2024-01-04 v1
摘要
隐式神经表示（INR）已成为无监督图像去噪的有效方法。然而，INR模型通常过参数化；因此，这些模型在学习过程中容易过拟合，导致次优结果，甚至噪声结果。为了解决这个问题，我们提出了一种在图像去噪中正则化INR模型的通用方法。具体来说，我们建议在学习过程中迭代地将监督信号替换为预测和监督信号的平均值。我们从理论上证明，这种简单的迭代替换可以逐渐提高监督信号的信噪比，从而在学习过程中有利于INR模型。我们的实验结果表明，所提出的方法可以有效地正则化INR模型，减轻过拟合并提升图像去噪性能。
引用
@article{arxiv.2401.01548,
title = {Boosting of Implicit Neural Representation-based Image Denoiser},
author = {Zipei Yan and Zhengji Liu and Jizhou Li},
journal= {arXiv preprint arXiv:2401.01548},
year = {2024}
}
备注
Accepted by ICASSP 2024, code: https://github.com/TIDS-Lab/ITS