【文献解读】噪声图像当成是清晰图像：从噪声图像中学习去噪
摘要
在过去的几年中，有监督网络实现了可靠的图像去噪结果。这些方法能够通过噪声和清晰图像对来学习图像的先验知识。而在近期，几个无监督的去噪网络被提出来被用于额外加噪声的图像上。然而，这样的学习策略很容易受到“域差距困境”的影响：例如，测试数据的噪声统计学分布和图像先验相对训练数据存在较大差异的情况。这种困境在处理真实世界中，信号依赖型的噪声时将会变得更加明显。本问提出这样的想法：使用噪声图像作为清晰图像来进行学习，而在噪声图像上继续加噪声作为网络的输入。大量的实验表明，这种通过无监督去噪网络将噪声图像作为清晰图像的策略能够超越之前的那些有监督的方法。
发表日期：2019年6月
参考文献
Xu, J., et al., Noisy-As-Clean: Learning Unsupervised Denoisingfrom the Corrupted Image. 2019.
视频推荐
