CVPR2020原論文：Noisier2Noise: Learning to Denoise from Unpaired Noisy Data

1.主要內容：
針對圖像去噪聲，提出了一種無需ground truth的訓練神經網絡的方法。
該方法對高斯噪聲和空間相關性噪聲都有效。

2.Noisier2Noise方法

對于沒有ground truth的單幅圖像降噪，我們很難直接預測估計噪聲。例如，未知噪聲模型的噪聲X。

文章提出了估計未知噪聲X的方法：
設有含有未知噪聲X（噪聲模型未知）的圖像，已知噪聲模型A。則對圖像添加一個A類噪聲N（即N~A）。
則有：
再添加一個A類噪聲M（即M~A）。
則有：
因此，得到圖像對（Z,Y），并將Z作為網絡輸入，來預測輸出，使網絡輸出接近Y。這個過程類似去噪聲M。故而訓練采用L2損失函數：

其中f(;θ)表示深度網絡。

我們知道：

由于M與N屬于同一個已知噪聲模型，兩者近似相等，可以推出：

所以，我們要求的X可以得到：

也就是將Z作為網絡輸入，網絡預測輸出得Y。最后噪聲X為兩倍Y減去Z。

Original為含噪聲X的圖像，Noisy為Y，Augment Iput為Z，Row Output為網絡預測輸出（近似Y），Residual為噪聲X，Reconstruction為重建去噪聲圖像。

總結

以上是生活随笔為你收集整理的深度学习——Noisier2Noise的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。