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

1.主要內(nèi)容：
針對(duì)圖像去噪聲，提出了一種無需ground truth的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法。
該方法對(duì)高斯噪聲和空間相關(guān)性噪聲都有效。

2.Noisier2Noise方法

對(duì)于沒有g(shù)round truth的單幅圖像降噪，我們很難直接預(yù)測估計(jì)噪聲。例如，未知噪聲模型的噪聲X。

文章提出了估計(jì)未知噪聲X的方法：
設(shè)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(duì)圖像添加一個(gè)A類噪聲N（即N~A）。
則有：
再添加一個(gè)A類噪聲M（即M~A）。
則有：
因此，得到圖像對(duì)（Z,Y），并將Z作為網(wǎng)絡(luò)輸入，來預(yù)測輸出，使網(wǎng)絡(luò)輸出接近Y。這個(gè)過程類似去噪聲M。故而訓(xùn)練采用L2損失函數(shù)：

其中f(;θ)表示深度網(wǎng)絡(luò)。

我們知道：

由于M與N屬于同一個(gè)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(wǎng)絡(luò)輸入，網(wǎng)絡(luò)預(yù)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(wǎng)絡(luò)預(yù)測輸出（近似Y），Residual為噪聲X，Reconstruction為重建去噪聲圖像。

總結(jié)

以上是生活随笔為你收集整理的深度学习——Noisier2Noise的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。