MM-BSN：基于盲点网络的多掩码真实世界自监督图像去噪
计算机视觉与模式识别
2023-04-10 v3
摘要
深度学习的近期进展将图像去噪技术推向新高度。在自监督图像去噪中，盲点网络（BSN）是最常用的方法之一。然而，现有多数BSN算法使用基于点的中心掩码，被认为对具有大规模空间相关噪声的图像效率低下。本文给出大噪声的定义，并提出一种多掩码策略，使用多个被掩成不同形状的卷积核以进一步打破噪声空间相关性。此外，我们提出一种新颖的自监督图像去噪方法，将多掩码策略与BSN结合（MM-BSN）。我们表明不同掩码会导致显著的性能差异，且所提MM-BSN能高效融合多掩码层提取的特征，同时恢复被多掩码和信息传输破坏的纹理结构。我们的MM-BSN可用于解决大噪声去噪问题，这是其他BSN方法无法高效处理的。在公开真实世界数据集上的大量实验表明，所提MM-BSN在sRGB图像去噪的自监督乃至非配对图像去噪方法中均达到最先进性能，且无需任何标注工作或先验知识。代码见 https://github.com/dannie125/MM-BSN。
引用
@article{arxiv.2304.01598,
title = {MM-BSN: Self-Supervised Image Denoising for Real-World with Multi-Mask based on Blind-Spot Network},
author = {Dan Zhang and Fangfang Zhou and Yuwen Jiang and Zhengming Fu},
journal= {arXiv preprint arXiv:2304.01598},
year = {2023}
}
备注
Accepted by CVPRW 2023