基于相似度的自學習圖像去噪
如今，通過使用深度卷積神經網絡解決了圖像去噪的任務。但是，這些通常需要多對圖像來訓練網絡。他們也不使用自相似性或重復模式。最近的一項研究提出了一種新穎的去噪方法，該方法僅需要單個噪點圖像即可進行訓練。
該方法在圖像中查找相似的補丁，將其注冊，并形成特定于圖像的訓練數據集。為了減少對計算資源的需求，該算法生成許多相似的圖像，然后在訓練過程中隨機選擇一對。訓練后，從原始圖像產生去噪圖像。實驗表明，與其他當前的圖像降噪方法相比，所建議的方法可以更好地消除噪聲，同時保留結構上的細微差別。
去噪方法背后的關鍵思想是在本地或非本地執(zhí)行均值/平均運算。對經典降噪方法的觀察表明，非局部均值(NLM)結果通常優(yōu)于局部去噪結果。盡管在圖像降噪方面獲得了最佳性能，但受監(jiān)督的深度降噪方法仍需要成對的噪聲清除數據，這些數據通常不可用。為了解決這一挑戰(zhàn)，Noise2Noise方法基于以下事實：成對的噪聲清除圖像可以替換為更易于收集的成對噪聲噪聲圖像。但是，在許多情況下，收集成對的噪聲圖像仍然不切實際。為了繞過帶標簽的圖像，Noise2Void方法僅在單個噪點圖像中根據其周圍環(huán)境預測被遮蓋的像素?？杀氖?，Noise2Noise方法和Noise2Void方法都沒有像NLM方法那樣利用圖像中的自相似性，而自相似性/對稱性在現代科學中卻起著至關重要的作用。在這里，我們提出了Noise2Sim，這是一種受NLM啟發(fā)的自學習方法，用于圖像去噪。具體來說，Noise2Sim利用圖像補丁的自相似性，學習如何在相似補丁的中心像素之間進行映射，以實現自一致的圖像降噪。我們的統計分析表明，Noise2Sim在溫和條件下趨于等同于Noise2Noise。為了加快尋找相似圖像補丁的過程，我們設計了一個有效的兩步過程來為Noise2Sim訓練提供數據，如果需要，可以迭代進行。
標簽：