Noise2Inpaint：通过修复展开学习无参考去噪
图像与视频处理
2020-11-20 v2 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
基于深度学习的图像去噪方法因其性能提升近来颇受欢迎。传统上，这些方法以监督方式训练，需要一组含噪输入与干净目标图像对。近来，已有自监督方法被提出，仅从含噪图像学习去噪。这些方法假设跨像素的噪声统计独立，且底层图像像素在邻域内呈现空间相关性。它们依赖于一种掩码方法，将图像像素划分为两个不相交集合，其中一个作为网络输入，另一个用于定义损失。然而，这些先前的自监督方法依赖于纯粹数据驱动的正则化神经网络，未显式考虑掩码模型。本文在这些自监督方法基础上，提出 Noise2Inpaint (N2I)，一种将去噪问题重构为正则化图像修复框架的训练方法。这使我们能够使用可根据需要纳入噪声不同统计特性的目标函数。我们利用算法展开将求解该目标函数的迭代优化展开，并端到端训练展开后的网络。训练范式沿用先前工作的掩码方法，将像素分为两个不相交集合。重要的是，其中一个现在用于在展开网络中施加数据保真度，而另一个仍用于定义损失。我们证明 N2I 在真实数据集上实现成功去噪，且相比其纯粹数据驱动的对应方法 Noise2Self 更好地保留细节。
引用
@article{arxiv.2006.09450,
title = {Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling},
author = {Burhaneddin Yaman and Seyed Amir Hossein Hosseini and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:2006.09450},
year = {2020}
}