面向现实世界图像去噪的自校准方差稳定变换
计算机视觉与模式识别
2025-07-10 v2 图像与视频处理
摘要
监督式深度学习已成为图像去噪的首选方法。这需要在由噪声图像和干净图像对组成的大型数据集上训练神经网络。然而，针对特定应用所需的训练数据限制了去噪网络的广泛应用。最近发展出了几种方法来克服这一困难，无论是通过人工生成逼真的干净/噪声图像对，还是仅在噪声图像上训练。在本文中，我们表明，与流行信念相反，专为去除高斯噪声而训练的去噪网络即使在没有额外训练的情况下，也可高效地用于现实世界图像去噪。为此需要事先应用合适的方差稳定变换 (VST)。我们提出了一种称为 Noise2VST 的算法，用于学习此类无模型 VST。我们的 approach only 需要输入噪声图像和一个即插即用的高斯去噪器。通过大量实验，我们展示了 Noise2VST 在与现有无特定干净/噪声对训练的方法相比时的效率和优势。
引用
@article{arxiv.2407.17399,
title = {Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising},
author = {Sébastien Herbreteau and Michael Unser},
journal= {arXiv preprint arXiv:2407.17399},
year = {2025}
}
备注
Accepted at IEEE/CVF International Conference on Computer Vision (ICCV) 2025