GAN2GAN：用于单张噪声图像盲去噪的生成式噪声学习
图像与视频处理
2021-07-06 v5 计算机视觉与模式识别
机器学习
摘要
我们解决了一个具有挑战性的盲图像去噪问题：仅可使用单张不同的噪声图像来训练去噪器，且除噪声为零均值、加性、独立于干净图像外，无任何噪声信息。这种在实践中常见的设定下，无法使用标准判别训练或近年提出的Noise2Noise（N2N）训练来训练去噪器；前者需要给定噪声图像对应的底层干净图像，后者需要一张干净图像的两张独立实现的噪声图像对。为此，我们提出GAN2GAN（Generated-Artificial-Noise to Generated-Artificial-Noise）方法，其首先学习一个生成模型，能够 1）模拟给定噪声图像中的噪声，并 2）生成干净图像的粗略含噪估计，然后 3）利用从该生成模型获得的后续合成的噪声图像对（如N2N中）迭代训练去噪器。结果显示，以我们的GAN2GAN训练的去噪器在合成与真实世界数据集上均取得了令人印象深刻的盲去噪性能；其几乎接近具有比我们更多信息的标准判别训练或N2N训练模型的性能，且显著优于同一设定下的最近基线（例如Noise2Void）以及一个更传统但强劲的基线BM3D。我们方法的官方代码见 https://github.com/csm9493/GAN2GAN。
引用
@article{arxiv.1905.10488,
title = {GAN2GAN: Generative Noise Learning for Blind Denoising with Single Noisy Images},
author = {Sungmin Cha and Taeeon Park and Byeongjoon Kim and Jongduk Baek and Taesup Moon},
journal= {arXiv preprint arXiv:1905.10488},
year = {2021}
}
备注
ICLR 2021 camera ready version