基于元迁移学习的真实图像去噪测试时自适应
计算机视觉与模式识别
2022-07-06 v1
摘要
近年来，大量研究致力于真实图像去噪任务。然而，这些努力更多聚焦于通过构建更优网络架构来提升真实图像去噪。我们探索另一方向：提出通过更优学习策略提升真实图像去噪性能，该策略能使多任务网络具备测试时自适应能力。该学习策略分两阶段，第一阶段利用元辅助学习预训练网络以获得更好的元初始化；同时，我们将元学习用于微调（元迁移学习）网络，作为训练的第二阶段，以实现在真实噪声图像上的测试时自适应。为利用更优学习策略，我们还提出了一种带自监督掩码重建损失的网络架构。在真实噪声数据集上的实验表明了所提方法的贡献，并展示其优于其他 SOTA 方法。
引用
@article{arxiv.2207.02066,
title = {Test-time Adaptation for Real Image Denoising via Meta-transfer Learning},
author = {Agus Gunawan and Muhammad Adi Nugroho and Se Jin Park},
journal= {arXiv preprint arXiv:2207.02066},
year = {2022}
}