下一尺度预测：一种用于真实世界图像去噪的自监督方法
计算机视觉与模式识别
2026-04-02 v2
摘要
自监督真实世界图像去噪仍是一项根本性挑战，其根源在于解相关空间结构噪声与保留高频细节之间的对立权衡。现有盲点网络（BSN）方法依赖像素混洗下采样（PD）来解相关噪声，但激进的下采样会割裂精细结构，而温和的下采样则无法去除相关噪声。为解决此问题，我们提出下一尺度预测（NSP），这是一种将噪声解相关与细节保留解耦的新型自监督范式。NSP 构建跨尺度训练对，其中 BSN 以低分辨率、完全解相关的子图像作为输入，来预测保留精细细节的高分辨率目标。作为附带成果，NSP 天然支持含噪图像的超分辨率，无需重新训练或修改。大量实验表明，NSP 在真实世界基准上实现了最先进的自监督去噪性能，显著缓解了噪声解相关与细节保留之间长期存在的冲突。代码见 https://github.com/XLearning-SCU/2026-CVPR-NSP。
引用
@article{arxiv.2512.21038,
title = {Next-Scale Prediction: A Self-Supervised Approach for Real-World Image Denoising},
author = {Yiwen Shan and Haiyu Zhao and Peng Hu and Xi Peng and Yuanbiao Gou},
journal= {arXiv preprint arXiv:2512.21038},
year = {2026}
}