迁移学习处理真实噪声

运用自适应实例标准化从综合噪声到真实噪声的迁移学习

CVPR2020论文：Transfer Learning from Synthetic to Real-Noise Denoising with Adaptive Instance Normalization
开源代码（tensorflow框架）：https://github.com/terryoo/AINDNet

主要工作：1.提出了良好泛化能力的降噪结构（可针对各种相机产生的各种噪声） 2.提出一种迁移学习降噪方案 3.特别的，运用自适应实例标准化去构建降噪器，其能够正则化feature map，并阻止网络过拟合。

1.介绍：真实噪声不同于综合噪声（如高斯噪声），真实噪声不符合一般的标准分布，其在空间和时间上都是变化的，获取真实噪声数据是比较困难的。本文利用综合噪声降噪器（SN Denoiser）提取综合噪声特征，真实噪声降噪器(RN Denoiser) 提取真实噪声特征。提出的迁移学习方案能够从综合噪声数据中学习到的特征迁移到真实噪声降噪器中，通过少量的真实噪声数据能够训练出良好泛化能力的真实噪声降噪网络。

由于综合噪声和真实噪声之间存在差异，所以综合噪声去噪网络模型对于真实噪声去噪没有泛化能力。要得到很好处理真实噪声的网络模型，如今有两种解决方法：1.获取更多组包含真实噪声图像与其对应的近似无噪声图像的数据 2.找到更吻合真实噪声的模型。

文章指出，对于第一种方法，利用真实噪声数据集去训练得到的网络模型，对于真实图像降噪具有鲁棒性。然而，获取获取大量训练用真实噪声图像数据集