概率噪声消除：无监督内容感知去噪

Jun, 2019

概率噪声消除：无监督内容感知去噪

Probabilistic Noise2Void: Unsupervised Content-Aware Denoising

Alexander Krull, Tomas Vicar, Florian Jug

TL;DR本研究提出了一种名为 Probabilistic Noise2Void 的卷积神经网络训练方法，可用于单一噪声图像的去噪。通过与噪声的合适描述相结合，可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法，应用于公开的显微镜数据集，其表现和有监督的现有方法相当。

Abstract

Today, convolutional neural networks (CNNs) are the leading method for image denoising. They are traditionally trained on pairs of images, which are often hard to obtain for practical applications. This motivates self-supervised training methods such as Noise2Void~(N2V) that operate on

convolutional neural networks image denoising self-supervised training probabilistic noise2void microscopy datasets

发现论文，激发创造

全自动无监督概率噪音消除

该论文介绍了一种基于深度学习的图像去噪方法，将 PN2V 方法转化为完全无监督的方法，并且展示了新的方法将直方图噪音模型替换为参数噪音模型，即使没有校准数据，也可以创建适合的噪音模型。

Nov, 2019

从单张噪声图像中学习去噪

介绍了一种名为 Noise2Void (N2V) 的图像降噪训练方案，可以不需要嘈杂和干净的图像对，而是直接使用被降噪的数据进行训练，特别适用于生物医学图像数据。与具有噪声图像对和 / 或干净目标图像的方式相比，N2V 的降噪效果较为相当。

Nov, 2018

Noise2Inverse：用于断层 tomography 的自监督深度卷积去噪

利用深度卷积神经网络（CNN）开发了一种图像去噪方法：Noise2Inverse，可以应用于线性图像重建算法，无需任何额外的干净或噪声数据，通过利用噪声模型计算多个统计独立的重建来实现训练，该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法，能够显著降低噪声。

Jan, 2020

N2V2 -- 用改进的采样方法和微调的网络结构解决 Noise2Void 棋盘状伪影问题

本研究提出了两种改进的方法来减少 N2V 中产生的不良伪影，并通过测试表明，这两种方法可以推进图像去噪领域的全面自我监督技术的发展。

Nov, 2022

通过预测噪音实现无监督学习

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

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

Neighbor2Neighbor: 单张噪声图像的自监督去噪

本文提出了一种名为 Neighbor2Neighbor 的简单而有效的方法，利用自监督学习中的随机邻居子采样器在只有噪声图像的情况下训练图像降噪模型，并在理论和实验验证中证明了其有效性。

Jan, 2021

从不成对嘈杂数据中学习降噪的 Noisier2Noise

本论文提出了训练神经网络进行图像去噪的方法，该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型，并适用于各种噪声模型，包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当，且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导，对于特定的高斯加性噪声的改进，以及对于乘性伯努利噪声的扩展。

Oct, 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

变分去噪网络：朝向盲噪声建模和去除

本文介绍了一种新的变分推断方法 - Variational Denoising Network（VDN），该方法将噪声估计和图像去噪综合到一个贝叶斯框架中。使用由深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。VDN 既具有传统模型驱动方法的优点，也具有数据驱动深度学习方法的效率、灵活性和可解释性，且能够在真实场景下估计并消除复杂的非 i.i.d 噪声。综合实验结果表明，该方法在盲图像去噪方面具有优越性。

Aug, 2019