PUCA：基于块重排与通道注意力的增强型自监督图像去噪
图像与视频处理
2023-10-17 v1 计算机视觉与模式识别
机器学习
摘要
尽管监督式图像去噪网络在合成噪声图像上表现出卓越性能，但由于真实噪声与合成噪声之间的差异，它们在实际应用中往往失效。由于从真实世界中收集干净-噪声图像对代价极高，利用噪声输入自身作为目标的自监督学习已被广泛研究。为防止自监督去噪模型学习恒等映射，每个输出像素不应受其对应输入像素的影响；这一要求被称为 J-不变性。盲点网络（BSNs）已成为确保自监督图像去噪中 J-不变性的主流选择。然而，通过注入下采样等额外操作来构建 BSN 变体可能会暴露被遮蔽的信息，从而违反 J-不变性。因此，仅允许专为 BSN 设计的卷积，限制了架构灵活性。为克服该限制，我们提出 PUCA，一种新颖的 J-不变 U-Net 架构，用于自监督去噪。PUCA 利用块重排/重排（patch-unshuffle/shuffle）在保持 J-不变性的同时大幅扩展感受野，并采用膨胀注意力块（DABs）以融入全局上下文。实验结果表明，PUCA 达到了最先进的性能，在自监督图像去噪中优于现有方法。
引用
@article{arxiv.2310.10088,
title = {PUCA: Patch-Unshuffle and Channel Attention for Enhanced Self-Supervised Image Denoising},
author = {Hyemi Jang and Junsung Park and Dahuin Jung and Jaihyun Lew and Ho Bae and Sungroh Yoon},
journal= {arXiv preprint arXiv:2310.10088},
year = {2023}
}
备注
Accepted to NeurIPS 2023