Random Sub-Samples Generation for Self-Supervised Real Image Denoising
1.ap-bsn
ap-bsn 转换为公式3,然后pd是固定的
2.ap-bsn 对图像添加噪声
3.添加扰动 替换为 输入和输出的pd不是一个pd
就变成了公式5
就是下采样若干个sub image, 然后建立损失
更重要的是,为了使sub image的噪声空间相关性比较小,引入random shuffle策略
这个类似与 neignbor2beighbor, 应该说是一样的。但是neighbor2beighbor的网络是unet主要针对相关性比较低的噪声。
4.loss
loss是很多对sub image组成的loss
5.试验
一共试验2个网络,利用我自己的数据集
分别为原论文代码中bsn网络,另一个是unet32网络
测试的时候,a是shuffle2+model+unshuffle2, b是直接输入model
然后分别与 gt计算 psnr和ssim
训练的时候,采用 pd stride=2,4,8
首先利用unet32网络进行训练,得到结果如下, psnr和ssim后面的数字,分别是a,b两种predict的结果
pd stride=2: PSNR: 28.9024,28.9714, SSIM: 0.6815,0.6704
pd stride=4: PSNR: 28.5504,29.6861, SSIM: 0.6474,0.6933
pd stride=8: PSNR: 27.1928,28.9490, SSIM: 0.6171,0.6962
pd越大结果 a预测越平滑, b预测一般是比较好的,pair训练 psnr,ssim 一般为31,0.72
然后利用原blind spot net效果比较差, psnr和unet接近,但是ssim在0.62附近