噪声鲁棒生成对抗网络

生成对抗网络（GANs）是通过对抗训练学习数据分布的神经网络。在深入研究中，近期的GANs已展现出复现训练图像的 promising 结果。然而，尽管存在噪声，它们仍以高保真度复现图像。作为替代，我们提出一类称为噪声鲁棒GANs（NR-GANs）的新型GANs，其即使训练图像含噪也能学习干净的图生成器。特别地，NR-GANs可在无完整噪声信息（如噪声分布类型、噪声量或信号-噪声关系）的情况下解决此问题。为实现这一点，我们引入一个噪声生成器并使其与干净图像生成器一起训练。然而，若无任何约束，则无激励去分别生成图像和噪声。因此，我们提出分布约束和变换约束，以促使噪声生成器仅捕获噪声特有分量。特别地，在不同假设下考虑此类约束，我们设计了两种用于信号无关噪声的NR-GANs变体和三种用于信号相关噪声的NR-GANs变体。在三个基准数据集上，我们证明了NR-GANs在噪声鲁棒图像生成中的有效性。此外，我们展示了NR-GANs在图像去噪中的适用性。我们的代码可在 https://github.com/takuhirok/NR-GAN/ 获取。