基于下采样不变性损失与条件盲点网络的自监督图像去噪
图像与视频处理
2023-07-31 v2 计算机视觉与模式识别
摘要
已有许多使用深度神经网络的图像去噪器，其大幅优于传统的基于模型的方法。近来，自监督方法备受关注，因为构建用于监督训练的大型真实噪声数据集是巨大负担。最具代表性的自监督去噪器基于盲点网络，其排除感受野的中心像素。然而，排除任何输入像素都是放弃部分信息，尤其在对应输出位置处的输入像素被排除时。此外，标准盲点网络由于噪声的像素级相关性，无法降低真实相机噪声，尽管其能成功去除独立分布的合成噪声。因此，为实现更实用的去噪器，我们提出了一种可去除真实噪声的新型自监督训练框架。为此，我们推导了由下采样盲化输出引导的网络之监督损失的理论上界。同时，我们设计了条件盲点网络（C-BSN），其选择性控制网络的盲性以利用中心像素信息。此外，我们采用随机子采样器对噪声进行空间去相关，使 C-BSN 免于基于下采样的方法常出现的视觉伪影。大量实验表明，所提 C-BSN 作为自监督去噪器在真实世界数据集上达到 SOTA 性能，且无需任何后处理或细化即给出视觉愉悦的结果。
引用
@article{arxiv.2304.09507,
title = {Self-supervised Image Denoising with Downsampled Invariance Loss and Conditional Blind-Spot Network},
author = {Yeong Il Jang and Keuntek Lee and Gu Yong Park and Seyun Kim and Nam Ik Cho},
journal= {arXiv preprint arXiv:2304.09507},
year = {2023}
}
备注
Accepted to ICCV 2023