零样本自监督盲图像去噪的低迹适应
图像与视频处理
2024-03-20 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的去噪器一直是近年来图像去噪发展的焦点。在过去几年中，人们对开发仅需噪声图像、无需干净真值进行训练的自监督去噪网络越来越感兴趣。然而，当前自监督方法与其监督对应方法之间仍存在性能差距。此外，这些方法通常依赖于对噪声特性的假设，从而限制了它们在真实场景中的适用性。受 Frobenius 范数展开性质的启发，我们发现引入迹项可减小自监督与监督方法之间的优化目标差异，从而提升自监督学习的性能。为利用这一见解，我们提出了一种迹约束损失函数，并设计了低迹适应 Noise2Noise（LoTA-N2N）模型，以弥合自监督与监督学习之间的差距。此外，我们发现几种现有的自监督去噪框架自然地作为特例归属于所提出的迹约束损失。在自然图像和共聚焦图像数据集上进行的大量实验表明，我们的方法在零样本自监督图像去噪方法领域达到了最先进的性能，且不依赖于任何关于噪声的假设。
引用
@article{arxiv.2403.12382,
title = {Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising},
author = {Jintong Hu and Bin Xia and Bingchen Li and Wenming Yang},
journal= {arXiv preprint arXiv:2403.12382},
year = {2024}
}
备注
11pages, 6 figures