不需要干净样本的去噪方法：Noise2Noise

最新推荐文章于 2025-04-15 17:09:12 发布
最新推荐文章于 2025-04-15 17:09:12 发布
阅读量6.2k 收藏 20
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xs11222211/article/details/82457346
版权
Noise2Noise是一种无需干净样本的图像去噪方法，通过使用带有噪声的图像作为输入和输出进行训练。当样本数量足够时，CNN能学习到图像本身，而非噪声模式。理论推导和实验表明，这种方法在各种噪声类型下效果接近最优。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文：Noise2Noise
Github：第三方复现Noise2Noise

引言

用深度学习方法进行图像去噪的时候，通常需要大量的训练图像样本对，即带有噪声的图片和去噪后的图片，可是去噪后的图片往往很难获得，比如在摄影中，需要长曝光才能获得无噪声图片。在MRI图像中，获取无噪声图片则更加难。
这篇论文的作者就提出了一种不需要无噪声图片作为标签的去噪方法。方法非常有意思，实现起来也很简单。那就是：输入输出都是带有噪声的图片（噪声是人工加入的，0均值，高斯噪声），进行训练。
初次看的时候，直接看的源代码，感觉有点难以置信，这也行？有一点，突破认知极限了。咋一看，以有噪声的图像作为CNN的标签，怎么可能会有效呢？

核心思路

我们先思考一个问题，使用：噪声图像-噪声图像样本对训练一个CNN会怎么样？


最低0.47元/天 解锁文章
【图像去噪】论文精读：Noise2Self: Blind Denoising by Self-Supervision（N2S）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
12-10 406
论文题目：Noise2Self: Blind Denoising by Self-Supervision —— Noise2Self：自监督盲去噪我们提出了一个用于去噪高维测量的通用框架，该框架不需要信号的先验、噪声的估计和没有干净的训练数据。唯一的假设是噪声在测量的不同维度上表现出统计独立性，而真实信号表现出某种相关性。对于一类广泛的函数（“J -invariant”），然后可以直接从噪声数据中估计降噪器的性能。
【图像去噪】论文精读：Noise2Fast: Fast Self-Supervised Single Image Blind Denoising（N2F）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-01 182
论文题目：Noise2Fast: Fast Self-Supervised Single Image Blind Denoising —— Noise2Fast:快速自监督单幅图像盲去噪Nat Mach Intell（Nature Machine Intelligence, Nature子刊） 2022！文章又名A fast blind zero-shot denoiser。在过去的几年里，基于深度学习的方法在计算机视觉领域占据主导地位，图像去噪也不例外。
Zero-Shot Noise2Noise: Efficient Image Denoising without any Data 笔记
ysh的博客
01-22 927
最近，自监督神经网络显示出出色的图像去噪性能。然而，当前的无数据集方法要么计算量大，需要噪声模型，要么图像质量不足。在这项工作中，我们展示了一个简单的 2 层网络，无需任何训练数据或噪声分布知识，就可以以较低的计算成本实现高质量的图像去噪。我们的方法受到 Noise2Noise 和 Neighbor2Neighbor 的启发，并且适用于逐像素独立噪声的去噪。
Python-Noise2Noise是Keras的一个实现可用于处理现实生活中的噪点图像
08-09
Noise2Noise是Keras的一个非官方实现，Noise2Noise可用于处理现实生活中的噪点图像
图像去噪论文Noise2Noise-Learning Image Restoration without Clean Data论文详解
热门推荐
祥瑞的技术博客
01-22 1万+
背景：这篇文章发在ICML2018上，是图像领域的重要的论文。训练图像去噪不需要无噪的原图像，非常具有参考意义。 目的：读懂并解析论文。 论文地址：https://arxiv.org/abs/1803.04189 源码地址：https://github.com/NVlabs/noise2noise 目录 一、摘要与背景 1.1 贡献点 1.2 问题描述 二、理论背景 2.1 问题...
noise2noise loss公式推理
LearnLearnStudy的博客
02-07 281
noise2noise loss公式
【论文+代码】ZS-N2N实现小样本零网络图像去噪
weixin_46287760的博客
02-06 3109
本文涵盖论文原文讲解与代码复现。
自监督去噪：Noiser2Noise原理分析
Liu Feng's Blog
08-03 4603
基于Noise2Noise，使用从单张噪声图片中采样的方法获取噪声对进行深度学习去噪
【图像去噪】论文精读：Noise2Score: Tweedie‘s Approach to Self-Supervised Image Denoising without Clean Images
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-15 95
论文题目：Noise2Score: Tweedie’s Approach to Self-Supervised Image Denoising without Clean Images —— Noise2Score: Tweedie在没有干净图像的情况下自监督图像去噪方法最近，人们对训练深度网络在没有干净参考的情况下对图像进行去噪进行了广泛的研究兴趣。然而，Noise2Noise、Noise2Void、Stein 的无偏风险估计器 (SURE) 等代表性方法似乎彼此不同，很难找到连贯的数学结构。
【图像去噪】论文精读：Noise2Variance: Dual networks with variance constraint for self-supervised real-world ima
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-13 99
论文题目：Noise2Variance: Dual networks with variance constraint for self-supervised real-world image denoising —— Noise2Fvariance：用于自监督真实世界图像去噪的具有方差约束的双网络图像去噪旨在从噪声图像中恢复干净的图像。传统的使用卷积神经网络 (CNN) 进行去噪的方法是使用成对的噪声和干净的图像来训练的，以了解从噪声图像到干净图像的转换。然而，在现实场景中获取这样的图像对是一个挑战。
noise2noise:噪音2
04-13
Noise2Noise：在没有干净数据的情况下学习图像还原-ICML 2018论文的TensorFlow官方实施 Jaakko Lehtinen ， Jacob Munkberg ， Jon Hasselgren ， Samuli Laine ， Tero Karras ， Miika Aittala ， Timo Aila 摘要： 我们将基本的统计推理应用于通过机器学习进行的信号重构-学习将损坏的观察结果映射到干净的信号-得出一个简单而有力的结论：有可能仅通过查看损坏的示例，在某些情况下以及在某些情况下的性能来学习还原图像无需使用干净的数据进行训练，而无需明确的图像先验或损坏的可能性模型。 在实践中，我们证明了一个模型仅基于嘈杂的数据即可学习消除照片噪声，对合成的蒙特卡洛图像进行降噪以及对欠采样MRI扫描进行重建（所有这些过程均被不同的过程破坏）的情况。 资源 根据Creative
noise2noise：“ Noise2Noise：无需干净数据即可学习图像还原”的非官方和部分Keras实现
02-04
噪音2 这是“ Noise2Noise：无需干净数据即可学习图像还原”的非官方和部分Keras实现[1]。 与原始论文有几处不同（但要观察noise2noise训练框架的工作原理，这不是致命的问题）： 训练数据集（原始数据：ImageNet，此存储库：[2]） 模型（原始数据：RED30 [3]，此存储库：SRResNet [4]或UNet [5]） 更新： [9月。 [2018年21月21日]添加了随机值脉冲噪声模型和L0损耗 [八月。 25，2018] UNet模型可用于培训 [八月。 25，2018]添加训练的权重 依存关系 Keras> = 2.1.2，TensorFlow
noise2noise:去除水印通过增加膨胀率可获得更好的效果
05-25
1.noise2noiset-pytorch 我的中文博客： : 2.火车 python train_fzh.py 3.火炬推论 img：python test_fzh.py 视频：python test_video_model_fzh.py 4.要求 pytorch1.5 火炬视觉0.6 cuda9.0 + 5，一些例子
读论文：Noise2Noise: Learning Image Restoration without Clean Data
U R MINE
02-26 686
很有意思的文章，我之前做过一些深度学习的降噪任务，针对不同光照条件下的图像进行降噪。这个时候就会涉及到标签样本的制作。 在监控领域中，相差6个db的照度，图像的噪点就会有明显的差异性。所以我们在训练模型的时候，如果用了40db的噪点图，那么标签可能是30db的图像，也可能是20db的图或者其他更加干净的图。很明显，30db的图像尽管比40db的图像噪点表现要好，但也是有噪点的。为什么依然能够训练模型呢，Noise2Noise: Learning Image Restoration with...
Noise2Noise: Learning Image Restoration without Clean Data，CVPR2019
heitang1802的博客
06-25 1232
本篇文章是CVPR19年的文章，研究任务是去噪，motivation在于提升模型应用性，做到既不需要干净图像，也不像Noise2Noise那样需要噪声图像对，直接在噪声图像上训练。应用性可以，去噪效果上是不如N2N或完全有监督模型的。 假设 Method部分，在x=s+n即图像=信号+噪声的基础上，作者做出了几个重要假设： （1） 干净图像的临近pixel是相关的，不独立，比较reasonable。 （2） 给定信号值，噪声是条件独立的。 （3） 第三个假设是仿效的Noise2Noise，假
样本噪声处理方案
YJ语
05-04 2283
样本噪声处理方案1. 基于模型的策略：2. 基于某些假设的策略：3.数据量与计算的平衡3.1.随机降采样：3.2.时间序列采样 为什么进行样本筛选? 数据粗存在噪声，会极大影响模型的训练效果 （注意：数据噪声和样本不平衡是不同的） 那么此类样本如何进行判断筛选呢？我们将其归纳为如下两类： 基于模型的策略； 基于某些假设的策略； 1. 基于模型的策略： 这些样本和之前的明显错误的或者异常的是不一样的，我们没法直接观测到，数据分析的手段也较难判断。那么这个时候该如何处理此类的样本呢？下面是一种我们在实践中使
基于EMD-SpEn(样本熵)联合小波阈值去噪
yuchunyu12的博客
01-04 852
基于 EMD-SpEn（样本熵）联合小波阈值去噪方法是一种用于信号降噪的信号处理方法，它结合了经验模态分解 (EMD)、样本熵 (SpEn) 和小波阈值处理技术。首先，使用 EMD 将原始信号分解为一组称为经验模态函数 (IMFs) 的信号成分，每个 IMF 对应于一个不同的频率段。然后，计算每个 IMF 的样本熵值。样本熵值是用于衡量信号复杂度的指标，当信号复杂度较高时，样本熵值也会相应地增加。然后，根据每个 IMF 的样本熵值和阈值设定，选择需要去噪的 IMFs。
【深度学习·命运-30】Noise2Noise
m0_69378371的博客
12-08 870
是一种开创性的图像去噪方法，它通过无监督学习利用噪声图像对来恢复图像的清晰部分。其最大优势是能够在没有原始清晰图像的情况下进行有效的图像去噪，这使得它在许多实际应用中，尤其是医学影像和天文图像等领域，具有重要的应用前景。尽管存在噪声图像对获取难度和去噪效果的局限，但Noise2Noise依然提供了一种创新的去噪方法，并且为无监督学习在图像处理中的应用提供了新的思路。
谷歌新作LIMoE：首个多模态稀疏化模型！零样本学习超越CLIP！还能降低计算成本...
阿木寺的博客
06-13 715
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群明敏 发自 凹非寺转载自：量子位（QbitAI）多模态模型常见，但是基于稀疏化的还是头一个。谷歌带来最新成果LIMoE，首次将稀疏化方法用在了图像文本混合模型上。要知道，随着大模型参数呈指数级增加，训练成本也是一路飙升。所以如何降低训练成本，成为了目前学界重点关注的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值