IDR：通过迭代数据细化的自我监督图像去噪

本文是CVPR2022的新论文，因与我的研究方向不是紧密相关，所以不看前两节，直接上方法！

图1. 
顶行：在不同时期创建的训练目标。它们已在我们的方法中逐步完善。
底行：与以前的作品比较：DBSN (ECCV 2020)、Noisier2Noise (CVPR 2020)。

方法

在本节中，作者首先介绍了噪声数据集的创建，在此基础上，对使用噪声数据集进行学习去噪进行了研究，并实证验证了两个发现。然后，作者展示了他的自我监督去噪框架：迭代数据细化（IDR）。为了加速这种迭代方法的训练过程，作者进一步引入了一个快速版本的 IDR 以减少训练时间，同时获得与 IDR 完整版本相似的性能。

1. 学习去噪的数据偏差试点研究（Pilot Study on Data Bias of Learning Denoising）

对于使用已知噪声模型训练去噪模型，一种典型的方法 [37] 是通过将噪声 n 添加到地面真实干净图像 y 上来创建合成噪声图像，表示为 y + n 并用作网络输入。我们将此类合成训练数据命名为噪声-清洁数据集，用于学习映射 (y + n) → y。

然而，真实的干净图像 y 通常很难获得。另一种似是而非的方法是将噪声 n 添加到实际的噪声图像 x 上，以创建噪声更均匀的图像 x + n，其中较晚的噪声 x + n 被视为输入，而前噪声图像 x 被用作学习目标。我们将此类训练数据称为噪声更大的数据集（noisier-noisy dataset）。

虽然后面的数据集更容易获得，但上述两类数据集之间不可避免地存在数据偏差，并且在后面的 noisier-noisy 数据集上训练的去噪网络不能很好地处理实际的噪声图像 x。我们进行如下试点研究，并凭经验验证两个重要发现。形式上，数据集表示为：

这里，是一张干净的图像（实际上很难获得）， = + 是其对应的噪声图像， 是噪声模型产生的随机噪声， + 表示应用采样噪声 到实际嘈杂的图像