用denoise举例
监督学习:数据与标记有一一对应的关系,即每张噪声图均对应一个clean图。如直接用CNN直接学习noise- clean的映射关系。
半监督学习:大量未标记数据和少量标签数据。
无监督学习:已知数据没有任何标签,将所有数据映射到不同标签。
自监督学习:可视为无监督学习,标注信息都来自于数据自身。方法有1.类似MAE,对图像进行变换:
对比学习:
对于去噪任务,只包含一个有噪声的数据集(没有与之对应的clean image)。
常使用的方法是blind spot prediction:通常假设clean image一个像素点与其邻接像素点是高度相关的,而噪声是像素独立的。因此将目标像素点mask,用训练的网络将mask通过邻近像素重建,即达到去噪作用。
zero-shot:Dataset-free ,无需专门的训练数据集。
离线学习
离线学习(offline learning), 即我们手中有全部的训练数据.
在线学习(online learning)数据可能是以流式的形式, 我们一次只能看到部分的数据, 我们只能根据目前看到的这部分的数据进行训练。
表征学习(Representation Learning)
表征学习的目的是对复杂的原始数据化繁为简,把原始数据的无效的或者冗余的信息剔除,把有效信息进行提炼,形成特征(feature)。需要借助特定的算法自动提取原始数据。