WIPUNet：基于加权归纳偏置的物理启发图像去噪网络

在高能粒子物理学中，集束测量受到"pileup"（重叠的软性相互作用）的污染，这些相互作用遮蔽了我们感兴趣的硬散射信号。专门的减法策略利用物理先验，如守恒、局部性和隔离性。受此类比启发，我们研究如何将此类原理纳入图像去噪，通过在神经网络架构中嵌入物理导向的归纳偏置来实现。本文是一种概念验证：我们并非针对最先进（SOTA）基准，而是询问是否受物理启发的先验能否在强噪声下提高鲁棒性。我们引入了一级PU启发的去噪器：一个带有守恒约束的残差CNN，其高斯噪声变体，以及整合这些想法的加权归纳Pileup-physics启发U去噪网络（WIPUNet），其在UNet骨架上集成了这些想法。在CIFAR-10上进行高斯噪声为$\sigma\in\{15,25,50,75,100\}$的实验中，PU启发的CNN与标准基线相当，而WIPUNet在更高噪声水平下表现出更大的优势。补充实验表明，相同趋势也适用于BSD500，表明受物理启发的先验在纯数据驱动模型退化的地方提供了稳定性。我们的贡献包括：（i）将pileup减除原理转化为模块化归纳偏置；（ii）将其集成到UNet中；（iii）在不依赖重型SOTA machinery的情况下实现高噪声下的鲁棒性提升。