面向稳健图像去噪的尺度等变性研究
计算机视觉与模式识别
2025-08-06 v1
摘要
尽管图像去噪取得了显著进展，但现有模型在面对以空间变异噪声为特征的外分布(Out-of-Distribution, OOD)条件时，常常难以良好地泛化。这种泛化差距仍是一项基本而未被充分探索的挑战。本文我们考察将‘尺度等变性’作为提升 OOD 鲁棒性的核心归纳偏置。我们认为，引入尺度等变结构能够使模型在针对空间均匀噪声进行训练后，更好地适应空间非均匀退化的推断。基于此洞见，我们提出了一个具备两个关键组件的稳健盲去噪框架：异构归一化模块(HNM)和交互门控模块(IGM)。HNM 稳定特征分布，动态纠正不同噪声强度下的特征；而 IGM 通过信号路径与特征路径之间的门控交互，实现有效的信息调制。广泛的评估表明，我们的模型在合成数据和真实世界基准测试上均优于当前最先进的方法，尤其在空间异质噪声条件下表现尤为突出。代码将公开释放。
引用
@article{arxiv.2508.02967,
title = {Towards Robust Image Denoising with Scale Equivariance},
author = {Dawei Zhang and Xiaojie Guo},
journal= {arXiv preprint arXiv:2508.02967},
year = {2025}
}