图像去噪中的旋转等变自监督方法

近年来，自监督图像去噪方法引起了广泛的研究关注，因为此类方法降低了对大型训练数据集的要求。与监督方法相比，自监督方法更依赖于深度网络自身嵌入的先验。因此，大多数自监督方法采用卷积神经网络（CNN）架构设计，能够很好地捕获最重要的图像先验之一，即平移等变先验。受引入平移等变性所取得巨大成功的启发，本文探索了进一步引入另一种重要图像先验的方法。具体而言，我们首次将高精度旋转等变卷积应用于自监督图像去噪。通过严格的理论分析，我们证明了只需将所有卷积层替换为旋转等变卷积层，即可将网络修改为其旋转等变版本。据我们所知，这是首次在网络架构层面将旋转等变图像先验引入自监督图像去噪，并对等变误差进行了全面的理论分析，为自监督图像去噪领域提供了新视角。此外，为进一步提升性能，我们设计了一种新的掩码机制，以融合旋转等变网络和基于普通 CNN 的网络的输出，并构建了自适应旋转等变框架。通过在三种典型方法上的大量实验，我们证明了所提方法的有效性。