无监督实用图像去噪：稀疏性足矣

监督式实用图像去噪的训练面临数据集难以获取大规模带噪声与干净图像配对数据的挑战。近期方法尝试通过利用无配对的干净与带噪声图像数据集来解决此问题。一些方法利用此类无配对数据以监督方式训练去噪器，通过生成人工的干净-带噪声配对来实现。然而，这些方法常因人工噪声图像与真实噪声图像之间的分布差距而不足。为缓解此问题，我们提出一种基于输入稀疏化的解决方案，具体采用随机输入遮蔽。我们称之为遮蔽-填充-去噪（Mask, Inpaint and Denoise, 简称MID）的方法，通过同时训练去噪器以实现对人工干净-带噪声配对的去噪与填充。在一方面，输入稀疏化减少了人工噪声图像与真实噪声图像之间的差距；另一方面，经过监督式训练的填充器仍能准确重建稀疏输入，通过预测剩余未遮蔽像素来推断缺失的干净像素。我们的 метод以人工高斯噪声采样器为起点，迭代地使用由去噪器预测所得的噪声数据集来优化该采样器。该噪声数据集通过在每次迭代中从真实带噪声图像中减去预测的伪干净图像而生成。核心直觉在于：改进去噪器的结果将更准确的噪声数据集，进而获得更好的噪声采样器。我们通过在真实世界带噪声图像数据集上进行大量实验进行验证，表明该方法在与现有无监督去噪方法之间具有竞争性能。