Abstract
Blind-spot 网络(BSN)及其变体在自监督去噪方面取得了重大进展。
然而,由于 pixel-wise independent noise 这样的不太实用的假设,它们仍然被限制在合成噪声输入上。
因此,使用自监督的BSN处理空间相关的真实世界噪声是具有挑战性的。
近年来,人们提出了 pixel-shuffle downsample(PD)技术来去除真实世界噪声的空间相关性。
然而,将PD和BSN直接集成在一起并不是一件容易的事情,这阻碍了对真实图像的完全自监督去噪模型。
这篇文章提出了一种 Asymmetric PD (AP) 来解决这个问题,它引入了不同的 PD stride factors 来进行训练和推断。
我们系统地展示了了所提出的AP可以解决由特定PD stride factor 引起的 inherent trade-offs,使BSN适用于实际场景。
为此,作者开发了AP-BSN,一种最先进的用于真实sRGB图像的自监督去噪方法。
作者进一步提出了 random-replacing refinement,这大大提高了 AP-BSN 的性能,而不需要任何额外的参数。
Conclusion
这篇文章首先从BSN的角度确定了几种关于不同PD stride factor 的权衡。
作者提出了训练和推断之间的Asymmetric PD,以满足像素独立假设,同时保留图像细节,而不是直接集成PD和BSN。
为此,作者提出了AP-BSN,这是一种用于真实世界去噪的完全自监督的方法。
我们还提出了 random-replacing 的 refinement,它消除了AP-BSN的视觉 artifacts,而不需要任何额外的参数。
-
Previous
【机器学习】Subgradient Method -
Next
【深度学习】CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image Denoising by Disentangling Noise from Image