重构噪声流形用于图像去噪

深度卷积神经网络（CNNs）已成功用于许多底层视觉问题，如图像去噪。尽管条件图像生成技术在此任务上带来了巨大改进，但鲜有研究为条件生成对抗网络（cGAN）[42] 提供显式理解图像噪声的方式，以实现独立于对象、可靠用于真实世界应用的图像去噪。由于自然场景中图案的复杂性，利用目标空间结构的任务并不稳定，因此不自然伪影或过度平滑图像区域的出现无法避免。为填补空白，本工作中我们引入一种显式利用图像噪声空间结构的 cGAN 思想。通过直接学习图像噪声的低维流形，生成器促使从含噪图像中仅移除跨越该流形的信息。该思想带来诸多优势，同时可附加于任何去噪器末端以显著改进其性能。基于我们的实验，我们的模型大幅优于现有最先进架构，所得去噪图像具有更少过度平滑与更好细节。