Oct, 2020

Noise2Same: 优化自监督约束用于图像去噪

PDF
TL;DR本文提出了一种新的自监督去噪框架 Noise2Same，不需要 J - 不变性或额外的噪声模型信息，可在更广泛的去噪应用中使用，实验证明 Noise2Same 在去噪性能和训练效率方面显著优于以往的自监督去噪方法。
self-superviseddenoisingmodelnoise2sameperformance
发现论文，激发创造
  • 通过自我监督实现的盲去噪

    提出了一种通用框架，用于去噪高维度测量，不需要先验信号、噪声估计和干净数据训练，仅假设噪声在不同维度上具有统计独立性，真实信号呈现某种相关性。

    Jan, 2019

  • 低追踪适应的零样本自监督盲图像去噪

    基于深度学习的去噪器是图像去噪领域最近发展的焦点，本文提出了一种基于追踪约束损失函数和 LoTA-N2N 模型的方法来弥合无监督学习和监督学习之间的差距，并在自然图像和共焦图像数据集上取得了最新的零样本自我监督图像去噪方法的优秀表现，无需依赖于任何对噪声的假设。

    Mar, 2024

  • 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

  • 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

  • Noise2Score：基于 Tweedie 的自监督图像去噪方法无需干净图像

    本研究提出一种名为 Noise2Score 的新方法，通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题，该方法可以处理任何指数族分布和噪声参数下受损图像的降噪，并在实验中表现出比现有方法更佳的性能。

    Jun, 2021

  • 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

  • 通过下采样不变性损失和条件盲点网络的自监督图像去噪

    提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

    Apr, 2023

  • 无需清洗图像的逼真相机噪声建模 - Noise2NoiseFlow

    该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

    Jun, 2022

  • GAN2GAN：使用单个噪声图像进行生成式噪声学习的盲降噪

    本篇研究提出了 GAN2GAN 方法，利用生成式模型生成噪声数据和初始的粗略干净图像估计，并使用由生成式模型合成的噪声图像对去噪器进行迭代训练，结果显示该方法在盲去噪问题上达到了非常好的性能，甚至超越了标准判别式训练或 N2N 训练模型的性能。

    May, 2019