基于自适应实例归一化从合成噪声到真实噪声去噪的迁移学习

真实噪声去噪是一项具有挑战性的任务，因为真实噪声的统计不服从正态分布，并且它们在空间和时间上不断变化。为了应对多样而复杂的真实噪声，我们提出了一种泛化性良好的去噪架构和一种迁移学习方案。具体而言，我们采用自适应实例归一化来构建去噪器，其可以正则化特征图并防止网络对训练集过拟合。我们还引入了一种将合成噪声数据中学到的知识迁移到真实噪声去噪器的迁移学习方案。通过所提迁移学习，合成噪声去噪器可以从各种合成噪声数据中学习通用特征，而真实噪声去噪器可以从真实数据中学习真实噪声特性。从实验中，我们发现所提去噪方法具有很强的泛化能力，使得我们用合成噪声训练的网络在 Darmstadt Noise Dataset (DND) 上取得了已发表方法中最好的性能。我们还可以看到，所提迁移学习方案通过极少标注数据的学习对真实噪声图像稳健地起作用。