Abstract

由于缺乏大规模的 noisy-clean 图像对，限制了监督去噪方法在实际应用中的应用。

虽然现有的无监督方法能够在没有真实 clean 图像的情况下学习图像去噪，但它们要么表现出较差的性能，要么在不切实际的设置下工作(例如，成对的噪声图像)。

这篇文章提出了一种实用的无监督图像去噪方法，以达到最先进的去噪性能。

该方法只需要单个噪声图像和一个噪声模型，在实际的原始图像去噪中很容易得到。

它迭代执行两个步骤：

作者进一步用一个快速算法近似完整的迭代方法以更有效的训练，同时保持其原来的高性能。

在真实世界的、合成的和相关的噪声上的实验表明，所提出的无监督去噪方法比现有的无监督方法具有更好的性能，并与有监督方法具有竞争性能。

此外，作者认为现有的去噪数据集质量较低，仅包含少量场景。

为了评估真实应用中的原始图像去噪性能，作者构建了一个高质量的原始图像数据集SenseNoise-500，其中包含500个真实场景。

Limitations and Conclusions

这篇文章提出了一种实用的迭代去噪方法(IDR)，该方法优于现有的无监督去噪方法。

该方法是基于学习去噪的数据 bias 的实证研究结果。

虽然缺乏理论支持，但对三种合成噪声、真实原始图像噪声，甚至空间相关噪声的实验证明了方法的一致性鲁棒性和有效性。

此外，作者构建了一个高质量的微光去噪数据集，用于评估真实场景中的去噪性能。

数据集包含500个不同的场景，每个场景都有高质量的标签。