SS-BSN：利用非局部自相似性的自监督去噪注意力盲点网络
计算机视觉与模式识别
2023-05-18 v1 机器学习
摘要
近来，基于监督学习的图像去噪方法已被广泛研究。然而，这些方法依赖大规模噪声-干净图像对，而这在实践中难以获取。为应对该限制，已提出仅需噪声图像即可训练的自监督训练去噪方法。这些方法基于卷积神经网络（CNN）并展现出良好性能。但基于 CNN 的方法未考虑利用传统方法中关键的非局部自相似性，这可能导致性能局限。本文提出自相似注意力（SS-Attention），一种能够捕捉非局部自相似性的新型自注意力模块以解决该问题。我们专注于以像素级方式设计轻量自注意力模块，由于复杂度随空间分辨率二次增长，使用经典自注意力模块几乎无法实现。此外，我们将 SS-Attention 集成到称为基于自相似性的盲点网络（SS-BSN）的盲点网络中。我们在真实世界图像去噪任务上开展实验。所提方法在 Smartphone Image Denoising Dataset (SIDD) 和 Darmstadt Noise Dataset (DND) 基准数据集上的自监督去噪中，量化与定性均优于最先进方法。
引用
@article{arxiv.2305.09890,
title = {SS-BSN: Attentive Blind-Spot Network for Self-Supervised Denoising with Nonlocal Self-Similarity},
author = {Young-Joo Han and Ha-Jin Yu},
journal= {arXiv preprint arXiv:2305.09890},
year = {2023}
}
备注
Accepted to IJCAI 2023