读论文：Noise2Noise: Learning Image Restoration without Clean Data

    很有意思的文章，我之前做过一些深度学习的降噪任务，针对不同光照条件下的图像进行降噪。这个时候就会涉及到标签样本的制作。

    在监控领域中，相差6个db的照度，图像的噪点就会有明显的差异性。所以我们在训练模型的时候，如果用了40db的噪点图，那么标签可能是30db的图像，也可能是20db的图或者其他更加干净的图。很明显，30db的图像尽管比40db的图像噪点表现要好，但也是有噪点的。为什么依然能够训练模型呢，Noise2Noise: Learning Image Restoration without Clean Data 这篇文章里面给出了一些实验和解释。另外从传统降噪算法的角度看，BM3D降噪也有点这个意思。BM3D算法中寻找的相似块也不是无噪点图。

    具体原理很多博客做了一些解释，本文不再具体叙述，有时间我会做些实验进一步验证下。