去噪论文阅读（一）：Noise2Noise

引言：

       Noise2Noise是第一篇使用自监督方法进行去噪任务的论文。在此之前，去噪方法主要有两种：基于统计学关系进行整体去噪的方法，和使用干净-噪声图像对进行有监督学习的方法。然而，这两种方法在去噪质量和适用范围上都有一定的局限性。Noise2Noise采用了一种创新的方法，即利用同一场景下的不同噪声图像对来实现去噪。虽然相较于有监督方法，去噪质量可能有所下降，但这种方法大大扩展了去噪技术的应用场景。

理论方法：

       在介绍Noise2Nose前需要先说明该方法的前提假设：

       1.噪声类型为高斯噪声。

       2.噪声均值为0。

       在神经网络学习过程中，网络学习的倾向都是使得网络损失最小化，在我们有清晰的目标图像 𝑦𝑖 以及他的观测到的含噪声图像时，利用神经网络去拟合这样一个回归模型，可以看做是优化这样一个loss：

        而在很多场景中，干净-噪声图像对难以获取，那么就需要思考如何只利用噪声图像进行去噪。Noise2Noise 利用的是一种自监督学习方法。在这种方法中，模型并不需要干净的参考图像，而是直接在带噪声的图像上进行训练。通过学习从一个带噪声图像到另一个带噪声图像的映射，模型能够自动推断并去除噪声。训练过程中需要的前提是对于同一图像，存在多次独立采样，每次采样的噪声都是独立且分布相同的。这样，在训练过程中，模型通过多次观测同一图像不同噪声实例，可以学习到噪声的统计特性，从而更好地进行去噪。Noise2Noise 假设噪声的期望值为零。这意味着在多个噪声实例中，噪声值的平均值趋近于零。在这种情况下，即使单个噪声实例中含有噪声，但在多个实例中，噪声的平均影响可以抵消，进而逼近干净图像的真实值。而N2N最主要的就是提出了一个优化函数：

       Noise2noise所使用的主要思想是Noise2clean中就是使loss最小化，那在两幅来自同一场景的均值都为0的图片，网络倾向输出期望，最终的输出就为图片信号本身。

思考：

       优点：
       1.无需Noise-Clean对：只需两个带噪声的图像对即可进行训练，增加了方法的实用性，尤其在无法获取干净图像的情况下。
       2.数据获取简便：减少了对干净图像的依赖，只需获取同一场景的多次独立观测，降低了数据收集的难度和成本。
       缺点：
       1.噪声均值假设：需要噪声均值为0，这在现实生活中难以满足，导致泛化性不足。实际噪声往往复杂且具有偏差，不完全符合零均值的假设。
       2.损失函数依赖性：需要根据噪声类型选择不同的损失函数，增加了模型设计的复杂性。
实际效果和思考：
       在复现代码运行后，实际上n2n的去噪效果并不理想，甚至连DnCNN的去噪效果都比N2N好。这说明该方法主要解决的是训练时数据较难获取的问题，而在去噪效果上并未显著超越现有方法。尽管N2N使用的是同一场景下的不同噪声图像对，减少了数据获取难度，但仍未达到真正的自监督（即只需要一张含噪图片即可去噪）。未来的研究工作可以在这一方向上进行深入思考和探索。
       现实中的噪声可能并不符合零均值假设，且具有复杂的统计特性。N2N在这种情况下效果有限，需要更复杂的模型来适应多样化的噪声分布。
       总之，Noise2Noise在解决训练数据难以获取的问题上具有明显优势，但其去噪效果受到噪声假设和损失函数选择的限制。未来研究可以探索如何结合其他方法、改进噪声建模、增强数据处理能力，以提升其在实际应用中的效果。