训练基于深度学习的去噪器，无需基准数据

Mar, 2018

训练基于深度学习的去噪器，无需基准数据

Training Deep Learning Based Denoisers without Ground Truth Data

Shakarim Soltanayev, Se Young Chun

TL;DR本文提出一种基于 Stein's unbiased risk estimator（SURE）的方法，从含有高斯噪声的图像数据中训练深度学习去噪网络，在没有无噪声图像的情况下使用 SURE 方法，使得网络的性能接近于使用有噪声图像的有监督学习方法，同时使用 SURE 方法进行快速后处理可以进一步提高性能。

Abstract

Recently developed deep-learning-based denoisers often outperform state-of-the-art conventional denoisers such as the BM3D. They are typically trained to minimize the mean squared error (MSE) between the output i

deep-learning-based denoisers mean squared error stein's unbiased risk estimator gaussian noise performance improvement

发现论文，激发创造

Stein 无偏风险估计的无监督学习

通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

May, 2018

神经网络通用离散去噪器

利用 DNN 设计通用的离散去噪器（Neural DUDE），无需额外的训练数据，通过伪标签和新颖的目标函数实现无监督学习，能够在选择超参数的系统规则条件下，在多个应用中显著优于现有技术。

May, 2016

从未有先验与无真实图像的未采样测量中训练深度学习图像去噪器

本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法，用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像，不需要原始图像，也不需要手动设置的图像先验条件，并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。

Jun, 2018

直接无监督去噪

通过训练确定性网络与变分自编码器一起直接预测中心趋势的方法，以在计算成本的一小部分下取得超越无监督方法的结果。

Oct, 2023

使用真实照片进行去噪算法基准测试

本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

Jul, 2017

无需图像真值训练图像估计器

本文提出了一种无监督框架用于训练图像估计网络，针对仅含测量值而没有地面真实图像的训练集，可以应用在压缩感知和盲复原等图像估计任务中。该无监督框架可以用于常规和盲估计任务，而且在考虑到非盲和盲训练的情况下，在压缩感知和盲复原中训练出的模型近似与全监督则没有太大的差距。

Jun, 2019

Self2Self+: 自监督学习与图像质量评估损失的单图像降噪

利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。

Jul, 2023

NoiseBreaker: 噪声分析引导下的逐渐图像去噪

本文提出了一种渐进式去噪策略，通过逐步检测图片中占主导地位的噪声，并使用定制的去噪器将其去除，从而适应复杂的混合噪声，并通过噪声分析，不仅有效地指导去噪器选择对应噪声类型，而且还使得已有去噪器可以适应新的噪声类型，从而扩展了去噪器的适用范围。

Feb, 2020

高质量自监督深度图像去噪

利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

Jan, 2019

基于神经网络的通用离散降噪器去噪损失的界限

通过最小化经验估计损失函数，从噪声受损数据中适应性地学习参数的神经网络 DUDE 的去噪损失限制类似于监督学习中标准经验风险最小化器（ERM）的泛化误差下限。我们表明其本质上也存在于去噪损失限制中，在所有有界的网络参数和所有基础干净序列上都能一致地保持其无偏估计损失集中于真实去噪损失，这是我们开发的关键工具。最后，我们证明了 Neural DUDE 的超参数可以从一个小的验证集中选择，以显著提高去噪性能。

Sep, 2017