《Noisy-As-Clean: Learning Self-supervisedDenoising from the Corrupted Image》论文笔记

文章目的

文章中表示去噪过程中会出现问题鸿沟：由于训练图像和测试图像的原图结构和噪声都存在较大差异。有监督的训练用到了大量污染图像和干净图像对作为训练集，不可避免的会遇到上面这个问题。所以提出了一个无监督的训练策略（NAC）

这里提一下Deep Image Prior (DIP)这篇文章，大意就是在训练中期停止训练。因为网络先学图像结构，再学噪声什么的，在没学到噪声的时候停下来，预测的只有图像结构达到降噪的目的。（但是我直观感觉这和结构或噪声没什么关系，只不过谁是主体罢了，因为用的是损失函数平均的关注所有像素，当然主体更容易学习，而噪声是微小的扰动，所以难学习。纯属个人观点，欢迎讨论）

方法

策略如下图所示：
这里X是干净图像，$Y=X+n_0$是自然图像，$n_0$是自然噪声，$n_s$是合成的噪声，与$n_0$类似。
训练过程：输入为$Z=Y+n_s=X+n_0+n_s$，输出为$Y$。
预测过程：输入为$Y$。
文章中给了数学解释，但是大部分都是约等于、可忽略等字眼。

效果

当噪声足够弱的时候（weak），结果和有监督学习相比有竞争力，甚至有的时候能超过有监督学习。
文章中做了三组实验：1、$n_0、n_s$均已知；2、$n_0$已知，$n_s$未知；3、$n_s$是真实的噪声分布（可以看做泊松分布和高斯分布相加），$n_0$是泊松和高斯噪声相加；
PSNR和SSIM可以和有监督学习相媲美。

文章中有意思的句子

关于自然噪声的组成： The Poisson component mainly comes from the irregular photons hittingthe sensor [25], while Gaussian noise is majorly produced bydark current [28].