可控深度网络幻觉的图像去噪

深度图像去噪器取得了最先进的结果,但有着隐藏的代价。正如近期文献所见证的,这些深度网络能够过拟合其训练分布,导致输出中被加入不准确的幻觉内容,并且对变化数据的泛化能力很差。为了对深度去噪器实现更好的控制与可解释性,我们提出一种利用去噪网络的新框架。我们称之为基于可控置信度的图像去噪(Controllable Confidence-based Image Denoising, CCID)。在该框架中,我们利用深度去噪网络的输出与经可靠滤波器卷积的图像。此类滤波器可以是简单的卷积核,不会引入幻觉信息的风险。我们提出以频域方法融合这两个分量,该方法考虑了深度网络输出的可靠性。借助我们的框架,用户可在频域中控制两个分量的融合。我们还提供了一幅用户友好的空间映射,用于估计输出中可能包含网络幻觉的置信度。结果表明,我们的 CCID 不仅提供了更强的可解释性与控制力,甚至能在定量性能上超越深度去噪器与可靠滤波器二者,尤其在测试数据偏离训练数据时。