无需真值数据训练基于深度学习的去噪器
计算机视觉与模式识别
2021-04-23 v4 机器学习
摘要
近年来发展的基于深度学习的去噪器通常优于 BM3D 等最先进的传统去噪器。它们通常训练为最小化深度神经网络（DNN）输出图像与真值图像之间的均方误差（MSE）。因此，对于基于深度学习的去噪器，使用高质量无噪声真值数据以获得高性能十分重要。然而，在某些应用中，获取无噪声图像往往具有挑战性甚至不可行。在此，我们提出一种基于 Stein 无偏风险估计（SURE）的方法，仅利用含高斯噪声的训练数据中的噪声图像来训练 DNN 去噪器。我们证明，我们基于 SURE 的方法在不使用真值数据的情况下，能够训练 DNN 去噪器，使其在灰度与彩色图像上均达到接近使用真值训练的网络性能。我们还提出了一种利用噪声测试图像的基于 SURE 的精修方法以进一步提升性能。我们的快速精修方法优于传统 BM3D、deep image prior，且常优于使用真值训练的网络。我们还探讨了将基于 SURE 的方法推广至泊松噪声模型的可能性。
引用
@article{arxiv.1803.01314,
title = {Training Deep Learning Based Denoisers without Ground Truth Data},
author = {Shakarim Soltanayev and Se Young Chun},
journal= {arXiv preprint arXiv:1803.01314},
year = {2021}
}
备注
12 pages, 10 figures, 7 tables, NeurIPS 2018, this is an extended version of it