从包含噪音的图像中去除未知噪音是一项充满挑战的工作,由于缺乏有效的训练数据使得这一领域面临许多问题。中山大学的研究人员们提出了一种“两步走”的框架,通过GANs训练输入图像的噪声分布来并利用生成的噪声样本生成了丰富的训练数据,并基于此训练了去噪深度神经网络实现了良好的图像盲去噪效果。
几种图像盲去噪算法的表现,右下角为本文结果。
一、图像盲去噪
图像去噪是早期视觉的重要问题,也是许多计算机视觉任务不可或缺的预处理阶段。对于含有噪音的图像y=x+v来说,图像去噪的任务是尽可能的减小观测图像y中的噪声v,得到清晰的出去噪声的图像x。对于图像来说,由于环境或者传感器的不确定性,噪声情况往往是未知的。例如手机在夜晚拍摄的照片就会受到这类噪声的影响。对于用户来说去除噪声对于提高用户体验也十分重要,这篇文章将主要探讨图像盲去噪的问题。
在图像去噪领域,基于先验知识的方法(例如BM3D)可以利用去除算法估计出的未知噪音水平,这种方法通过输入图像直接为图像先验建模实现了很好的结果。但这类方法存在很多不足,首先图像先验大多数由人类经验给定,图像的完整特征难以被获取;其次这类方法大多只利用了输入图像的内部特征而没有利用任何外部特征,而这些特征是可以用于在盲去噪的过程中进行适配的,这意味还有很大的提高空间。
除此之外只有很少几种方法研究了图像的盲去噪问题,例如Multiscal等方法。这些方法将噪声模型估计和自适应去噪算法结合起来。其中噪声建模是十分关键的部分,但这些方法也仅仅使用了单张图像的内部信息。同时显式地定义模型噪声也限制了这些方法的表现。
如果我们暂时先抛开盲去噪,那就不得不提到基于判别模型的去噪方法。这些方法主要基于深度