通过自协作并行生成对抗分支实现真实场景下的无监督图像去噪
图像与视频处理
2023-08-15 v1 计算机视觉与模式识别
摘要
深度学习方法在图像去噪中展现出卓越性能，尤其是在大规模配对数据集上训练时。然而，为真实场景获取此类配对数据集是一项重大挑战。尽管基于生成对抗网络的无监督方法为无配对数据集去噪提供了有前景的方案，但在不显著修改现有结构或不增加去噪器计算复杂度的情况下，难以突破传统基于 GAN 的无监督框架的性能局限。为解决该问题，我们提出一种面向多个去噪器的 SC 策略。该策略可在不增加基于 GAN 的去噪框架推理复杂度的前提下实现显著性能提升。其基本思想是迭代地将滤波引导噪声提取模块中先前较弱的去噪器替换为当前较强的去噪器。此过程生成更好的合成干净-噪声图像对，从而得到下一次迭代中更强的去噪器。该基线确保了训练网络的稳定性与有效性。实验结果表明了我们的方法相对于最先进无监督方法的优越性。
引用
@article{arxiv.2308.06776,
title = {Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches},
author = {Xin Lin and Chao Ren and Xiao Liu and Jie Huang and Yinjie Lei},
journal= {arXiv preprint arXiv:2308.06776},
year = {2023}
}
备注
Accepted to ICCV 2023