少样本元去噪
计算机视觉与模式识别
2019-11-27 v2 机器学习
摘要
我们研究基于少样本学习的去噪问题，其中训练集仅含少量干净与含噪样本。缓解小训练集问题的一个方案是利用经验噪声先验生成干净与合成含噪信号对，以小型训练集预训练去噪模型，并在可用小型训练集上微调。尽管此类迁移学习看似有效，但因训练数据有限可能泛化不佳。本工作中，我们提出一种用于基于少样本学习去噪问题的新元学习训练方法。我们的模型使用已知合成噪声模型进行元训练，随后以真实噪声的小型训练集作为少样本学习任务进行微调。元训练期间从合成生成数据的小型训练集进行元学习，使我们不仅能生成无限数量的训练任务，还可训练模型以小型训练集学习——这两点优势均有潜力改善去噪模型的泛化。我们的方法在图像与一维信号的三个去噪评测中经验性地展现出比监督学习与迁移学习更准的去噪结果。有趣的是，我们的研究强烈表明元学习有潜力成为去噪的主要学习算法。
引用
@article{arxiv.1908.00111,
title = {Few-Shot Meta-Denoising},
author = {Leslie Casas and Attila Klimmek and Gustavo Carneiro and Nassir Navab and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:1908.00111},
year = {2019}
}