单锅多帧去噪
计算机视觉与模式识别
2023-02-23 v1
摘要
基于学习的去噪性能在很大程度上依赖于干净监督。然而，在许多场景中难以获取干净图像。相反，对同一视场捕获多帧含噪图像在现实中是可行且常见的。因此，有必要避免干净标签的限制并充分利用含噪数据进行模型训练。为此我们提出了一种用于多帧图像的无监督学习策略，称为单锅去噪(OPD)。OPD是首个提出的无监督多帧去噪(MFD)方法。不同于包括有监督Noise2Clean (N2C)和无监督Noise2Noise (N2N)在内的传统监督方案，OPD在所有多帧之间执行互监督，这为学习提供了更多样的监督并允许模型更深入地挖掘帧间相关性。N2N也被证明实际上是所提OPD的简化情形。从数据分配和损失函数角度，分别给出了随机耦合(RC)和异化损失(AL)两种具体实现，以在模型训练期间完成OPD。实践中，我们的实验表明，对于合成高斯和泊松噪声以及真实世界光学相干断层扫描(OCT)散斑噪声，OPD表现为SOTA无监督去噪方法，且与有监督N2C方法相当。
引用
@article{arxiv.2302.11544,
title = {One-Pot Multi-Frame Denoising},
author = {Lujia Jin and Shi Zhao and Lei Zhu and Qian Chen and Yanye Lu},
journal= {arXiv preprint arXiv:2302.11544},
year = {2023}
}
备注
Accepted at BMVC 2022 as a Spotlight