低追踪适应的零样本自监督盲图像去噪

Mar, 2024

低追踪适应的零样本自监督盲图像去噪

Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising

Jintong Hu, Bin Xia, Bingchen Li, Wenming Yang

TL;DR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。

Abstract

deep learning-based denoiser has been the focus of recent development on image denoising. In the past few years, there has been increasing interest in developing self-supervised denoising networks that only requi

deep learning-based denoiser self-supervised denoising networks trace-constraint loss lota-n2n model zero-shot self-supervised image denoising

发现论文，激发创造

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

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

Noise2Same: 优化自监督约束用于图像去噪

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。

Oct, 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

自监督图像重建方法的样本复杂度分析

探究自监督训练方法的样本复杂度，发现模型的性能会随着训练样本数量增加而提高，证明采用自监督训练方法所需样本较多，但与监督训练方法优化模型的性能差距会随着样本数量增加而逐渐缩小。

May, 2023

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

自监督泊松 - 高斯去噪

本文提出了一种改进的自监督去噪模型，该模型可以处理 Poisson-Gaussian 噪声，并且避免使用超参数，在低光显微镜等某些应用领域中取得了较好的性能表现，评估结果表明该模型优于其他基准模型。

Feb, 2020

Blind2Unblind: 自监督图像去噪与可见盲点

该论文提出了一个名为 Blind2Unblind 的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。

Mar, 2022

释放自监督图像去噪的力量：一份综述

深度学习为图像去噪技术带来了革命性的转变，本文聚焦于自监督图像去噪方法，对最新的方法进行了全面的分析和分类，并提供了理论分析和实际应用，同时讨论了这些方法的局限性并提出了未来研究的方向。

Aug, 2023

面向现实世界图像的上下文感知变压器自监督图像去噪

本文提出了一种新颖的 Denoise Transformer 算法，其中包括 CADT 单元和 SNE 块，通过二者的结合构建分层网络，直接利用残差学习获取噪声分布信息，进而形成最终的去噪输出。实验证明，该算法在传统深度学习方法中具有更好的性能和岩石文本以及低光图像，而不需要关于噪声级别或类型的任何先前知识。

Apr, 2023