【深度学习】Noise Distribution Adaptive Self-Supervised Image Denoising using Tweedie Distribution and Score Matching

Posted by ShawnD on August 22, 2022

Abstract

Tweedie分布是 exponential dispersion 模型的一种特殊情况,通常作为广义线性模型的分布在经典统计中使用。

这里, 作者展示了 Tweedie 分布在深度学习时代也扮演者重要角色, 使得在没有 clean reference images 情况下实现 distribution adaptive self-supervised image denosing。

具体来说,通过结合最近的Noise2Score自监督图像去噪方法和Tweedie分布的鞍点逼近,作者提供了一个通用的闭形式去噪公式,可以用于大类噪声分布,而无需知道潜在的噪声分布。

与原始的Noise2Score类似,新方法由两个连续步骤组成:score matching 使用扰动的噪声图像, 接着一个 closed form 的 image denosing 公式, 其通过分布独立的 Tweedie 公式得到。

此外,给定的图像数据集, 作者展示了一个系统的算法来估计噪声模型和噪声参数。

通过大量的实验,证明了所提出的方法可以准确地估计噪声模型和参数,并在基准数据集和真实数据集中提供最先进的自监督图像去噪性能。

Conclusion

这篇文章提供了一种新的自监督盲图像去噪框架,它不需要干净的数据和噪声模型和等级的先验知识。

作者的创新来自于Tweedie分布的鞍点近似,它涵盖了广泛的指数族分布。

利用这一特性,作者给出了一个通用的去噪公式,可用于现实生活中的各种分布。

此外,作者提出了一种新的算法,可以在统一的框架内估计噪声模型和噪声级参数。

最后,使用基准和真实CT图像数据集验证了所提方法,并证实该方法优于现有的最先进的自监督学习方法。