如今，通過使用深度卷積神經(jīng)網(wǎng)絡(luò)解決了圖像去噪的任務(wù)。但是，這些通常需要多對圖像來訓(xùn)練網(wǎng)絡(luò)。他們也不使用自相似性或重復(fù)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(jìn)行訓(xùn)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(xùn)練數(shù)據(jù)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(xùn)練過程中隨機選擇一對。訓(xùn)練后，從原始圖像產(chǎn)生去噪圖像。實驗表明，與其他當(dāng)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(jié)構(gòu)上的細(xì)微差別。

去噪方法背后的關(guān)鍵思想是在本地或非本地執(zhí)行均值/平均運算。對經(jīng)典降噪方法的觀察表明，非局部均值(NLM)結(jié)果通常優(yōu)于局部去噪結(jié)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(shù)據(jù)，這些數(shù)據(jù)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(biāo)簽的圖像，Noise2Void方法僅在單個噪點圖像中根據(jù)其周圍環(huán)境預(yù)測被遮蓋的像素?？杀氖牵琋oise2Noise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(xiàn)代科學(xué)中卻起著至關(guān)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(xué)習(xí)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(xué)習(xí)如何在相似補丁的中心像素之間進(jìn)行映射，以實現(xiàn)自一致的圖像降噪。我們的統(tǒng)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(shè)計了一個有效的兩步過程來為Noise2Sim訓(xùn)練提供數(shù)據(jù)，如果需要，可以迭代進(jìn)行。

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！