C2N：面向真实世界去噪的实用生成式噪声建模
计算机视觉与模式识别
2022-02-22 v1 图像与视频处理
摘要
基于学习的图像去噪方法一直受限于需要提供良好对齐的含噪与干净图像，或需要从预定噪声模型（如高斯噪声）中合成样本的情况。尽管近期生成式噪声建模方法旨在模拟真实世界噪声的未知分布，仍存在若干局限。在实际场景中，噪声生成器应当学会在不使用成对含噪与干净图像的情况下模拟通用且复杂的噪声分布。然而，由于现有方法建立在关于真实世界噪声的不现实假设之上，它们往往生成不合常理的模式，且无法表达复杂的噪声图。因此，我们引入一种从干净到含噪的图像生成框架，即 C2N，以在不使用任何成对样本的情况下模仿复杂的真实世界噪声。我们在 C2N 中依据真实世界噪声特征的各个分量来构建噪声生成器，从而精确表达广泛的噪声。结合我们的 C2N，传统的去噪 CNN 经训练后可在具有挑战性的真实世界基准上大幅超越现有的无监督方法。
引用
@article{arxiv.2202.09533,
title = {C2N: Practical Generative Noise Modeling for Real-World Denoising},
author = {Geonwoon Jang and Wooseok Lee and Sanghyun Son and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2202.09533},
year = {2022}
}