N2V2——通过改进采样策略与微调网络架构修复 Noise2Void 棋盘伪影
计算机视觉与模式识别
2022-11-22 v2 机器学习
摘要
近年来，基于神经网络的图像去噪方法革新了生物医学显微镜数据的分析。自监督方法，如 Noise2Void（N2V），几乎适用于所有含噪数据集，即便没有专门的训练数据也可用。可以说，这促成了 N2V 在生命科学中的快速且广泛的采用。遗憾的是，N2V 底层的盲点训练可能导致相当明显的棋盘伪影，从而大幅降低最终预测的质量。在本工作中，我们提出对原始 N2V 设置的两项修改，均有助于显著减少不良伪影。首先，我们提出一种改进的网络架构，即在所用的 U-Net 中全程使用 BlurPool 替代 MaxPool 层，将残差 U-Net 回退为非残差 U-Net，并去除最顶层 U-Net 的跳跃连接。此外，我们提出新的替换策略以确定填充所选盲点像素的像素强度值。我们在一系列显微镜与自然图像数据上验证我们的修改。基于多种噪声类型及不同幅度下添加的合成噪声，我们表明所提两项修改均推进了当前全自监督图像去噪的最优水平。
引用
@article{arxiv.2211.08512,
title = {N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling Strategies and a Tweaked Network Architecture},
author = {Eva Höck and Tim-Oliver Buchholz and Anselm Brachmann and Florian Jug and Alexander Freytag},
journal= {arXiv preprint arXiv:2211.08512},
year = {2022}
}
备注
16 pages, 7 figures, 5 page supplement, 4 supplementary figures, accepted at BIC workshop at ECCV 2022