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。
-
Previous
【机器学习】ADMM 推导与总结 -
Next
【深度学习】USR-DU:Learning Degradation Uncertainty for Unsupervised Real-world Image Super-resolution