NoiseTransfer：基于对比嵌入的图像噪声生成
计算机视觉与模式识别
2023-02-01 v1
摘要
深度图像去噪网络在大量合成训练数据集的辅助下取得了令人瞩目的成功。然而，由于真实与合成噪声数据集分布之间的差异，真实世界去噪仍是一个具有挑战性的问题。尽管已有若干真实世界噪声数据集被提出，但训练数据集（即干净图像与真实噪声图像对）的数量有限，且获取更多真实噪声数据集费力且昂贵。为缓解该问题，已有大量利用生成模型模拟真实噪声模型的尝试。然而，先前工作不得不训练多个网络以处理多种不同噪声分布。相比之下，我们提出了一种可合成具有多种不同噪声分布噪声图像的新生成模型。具体而言，我们采用近期的对比学习来学习噪声的可区分潜在特征。此外，我们的模型可通过仅从单张参考噪声图像迁移噪声特性来生成新的噪声图像。我们展示了我们的噪声模型在已知与未知噪声去除方面的准确性与有效性。
引用
@article{arxiv.2301.13554,
title = {NoiseTransfer: Image Noise Generation with Contrastive Embeddings},
author = {Seunghwan Lee and Tae Hyun Kim},
journal= {arXiv preprint arXiv:2301.13554},
year = {2023}
}
备注
ACCV 2022 oral