可解释的无监督多样性去噪与伪影去除
图像与视频处理
2022-02-25 v2 计算机视觉与模式识别
机器学习
定量方法
摘要
图像去噪与伪影去除是允许多个有效解的复杂逆问题。无监督多样性复原，即在给定 corrupted 图像时获得一组多样的复原结果，对于消除许多应用（如显微镜）中的歧义十分重要，因为这些场景中通常无法获得用于监督训练的配对数据。在实际应用中，成像噪声与伪影通常难以建模，导致现有无监督方法性能不佳。本工作提出一种用于无监督多样性图像复原的可解释方法。为此，我们引入了一种基于层次化变分自编码器、称为层次化 DivNoising (HDN) 的强大架构。我们展示了 HDN 学习到伪影的可解释多尺度表示，并利用该可解释性去除显微镜数据中常见的成像伪影。我们的方法在十二个基准图像去噪数据集上取得了 state-of-the-art 结果，同时提供对一整族合理复原解的访问。此外，我们在三个真实显微镜数据集上证明，HDN 无需监督即可去除伪影，是首个在生成多个与给定 corrupted 图像一致的合理复原结果的同时实现此能力的方法。
引用
@article{arxiv.2104.01374,
title = {Interpretable Unsupervised Diversity Denoising and Artefact Removal},
author = {Mangal Prakash and Mauricio Delbracio and Peyman Milanfar and Florian Jug},
journal= {arXiv preprint arXiv:2104.01374},
year = {2022}
}