面向模型基图像去噪的 Oracle 监督迁移超参数预测
计算机视觉与模式识别
2026-05-21 v1 机器学习
摘要
超参数预测是模型基图像去噪器（从经典 TV/TGV 变分求解器到现代扩散模型如 DiffPIR）的关键实用瓶颈。虽然现有的学习型预测器可实现接近 Oracle 的性能，但该方法规模不佳：每个新配置通常需要自己的 Oracle 标注训练集，每个标签都需要在干净 ground truth 上评估的分层网格搜索。因此，我们询问 Oracle 监督收集在源配置上是否可以迁移到目标配置，以少量或无目标 Oracle 标签。我们提出 HyperDn，一个单一配置条件预测器，聚合源配置上的 Oracle 监督，并为新的去噪器-噪声配置预测异构超参数。在一个跨范式实验中，HyperDn 从相对廉价的 TV/TGV 变分源迁移到更昂贵的扩散-based DiffPIR。仅用 2 个目标 Oracle 标签，就达到了 30.23 dB，距离 Oracle 只差 0.90 dB，还优于训练自 scratch 的 64 个目标标签每个配置的预测器，使用的目标标签数量是基线的 1/32。没有任何目标 Oracle 标签时，HyperDn 也能在两个未见噪声混合物上达到接近 Oracle 的 PSNR，并从相对廉价的 源图像迁移到 目标图像。综上，这些结果表明，针对超参数预测的高昂 Oracle 监督可以从源配置迁移到新的目标配置，从而减少为每个新的去噪配置重建 Oracle 标签的需求。
引用
@article{arxiv.2605.20479,
title = {Oracle Supervision Transfers for Hyperparameter Prediction in Model-Based Image Denoising},
author = {Jianmin Liao and Lixin Shen and Yuesheng Xu},
journal= {arXiv preprint arXiv:2605.20479},
year = {2026}
}