通过投影校正：利用生成对抗网络去噪图像
计算机视觉与模式识别
2018-03-14 v1
摘要
生成对抗网络（GANs）将低维潜向量转换为视觉上可信的图像。若真实数据集仅含干净图像，则表面上GAN学到的流形应仅含干净图像。本文中，我们提出通过寻找GAN流形上最近点来对 corrupted 图像去噪，通过在图像空间中最小化距离来恢复潜向量。我们首先证明，给定真实位于GAN流形上的图像的 corrupted 版本，我们可近似恢复潜向量并对图像去噪，相较BM3D获得显著更高质量。接着，我们证明从噪声图像恢复的潜向量表现出一致的偏置。通过在投影回图像空间前减去该偏置，我们进一步改善去噪结果。最后，即便对未见图像，我们的方法去噪表现也优于BM3D。值得注意的是，我们方法的基础版本（无偏置校正）不需要关于噪声方差的先验知识。为达到尽可能高的去噪质量，最佳性能基于信号处理的方法（如BM3D）需要模糊核的估计值。
引用
@article{arxiv.1803.04477,
title = {Correction by Projection: Denoising Images with Generative Adversarial Networks},
author = {Subarna Tripathi and Zachary C. Lipton and Truong Q. Nguyen},
journal= {arXiv preprint arXiv:1803.04477},
year = {2018}
}