论文题目:Noise2Noise: Learning Image Restoration without Clean Data
一、简介
论文提出,在没有干净数据的情况下也能对图像进行重建,重建效果和使用干净数据恢复一样好甚至在有些情况下更好。论文展示了单个模型进行了摄影噪声去除,合成蒙特卡罗渲染去除,以及欠采样MRI扫描的重建 。
论文使用表示输入的噪声图像,并且是根据对应的干净图像随机分布的变量,
,论文仅仅是根据噪声图像对图像进行修复,此外,既不需要明确的噪声统计似然模型,也不需要图像先验,而是间接地从训练数据中学习这些信息。虽然从统计的角度来看,论文的结果没有很大的优势,但它通过提升训练数据的可用性要求,极大地简化了实际的信号重建。
二、知识理论背景
假设有一组不可靠的室温测量值(y1,y2,...)。估计真正未知温度的一个常见策略是根据损失函数L找到一个与测量值的平均偏差最小的z:
当L为L2时,,这个最小值是在观测值的算术平均值处找到的。
当L为L1时,,则最优解为观测值的中值。
当L为L0时,,即差不为0的个数,最优解为观测值的众数。
从统计的角度看,这些常用的损失函数可以看作负对数似然函数的最大似然估计。
神经网络的训练的目标函数如下:
如果对输入数据的依赖去掉的话,目标函数变为: