深度学习——Noisier2Noise

CVPR2020原论文：Noisier2Noise: Learning to Denoise from Unpaired Noisy Data

1.主要内容：
针对图像去噪声，提出了一种无需ground truth的训练神经网络的方法。
该方法对高斯噪声和空间相关性噪声都有效。

2.Noisier2Noise方法

对于没有ground truth的单幅图像降噪，我们很难直接预测估计噪声。例如，未知噪声模型的噪声X。

文章提出了估计未知噪声X的方法：
设有含有未知噪声X（噪声模型未知）的图像，已知噪声模型A。则对图像添加一个A类噪声N（即N~A）。
则有：
再添加一个A类噪声M（即M~A）。
则有：
因此，得到图像对（Z,Y），并将Z作为网络输入，来预测输出，使网络输出接近Y。这个过程类似去噪声M。故而训练采用L2损失函数：

其中f(;θ)表示深度网络。

我们知道：

由于M与N属于同一个已知噪声模型，两者近似相等，可以推出：

所以，我们要求的X可以得到：

也就是将Z作为网络输入，网络预测输出得Y。最后噪声X为两倍Y减去Z。

Original为含噪声X的图像，Noisy为Y，Augment Iput为Z，Row Output为网络预测输出（近似Y），Residual为噪声X，Reconstruction为重建去噪声图像。

深度学习——Noisier2Noise相关推荐

从2012年到现在深度学习领域标志成果
2006年,Hinton 发表了一篇论文<A Fast Learning Algorithm for Deep Belief Nets>,提出了降维和逐层预训练方法,该方法可成功运用于训练 ...
各种优化算法公式快速回忆优化器-深度学习
本文是Deep Learning 之最优化方法系列文章的RMSProp方法.主要参考Deep Learning 一书. 整个优化系列文章列表: Deep Learning 之最优化方法 Deep ...
卷积神经网络之卷积计算、作用与思想深度学习
博客:blog.shinelee.me | 博客园 | CSDN 卷积运算与相关运算在计算机视觉领域,卷积核.滤波器通常为较小尺寸的矩阵,比如3×33×3.从这个角度看,多层卷积是在进行逐层映射,整 ...
矩阵的卷积核运算（一个简单小例子的讲解）深度学习
卷积运算:假设有一个卷积核h,就一般为3*3的矩阵: 有一个待处理矩阵A: h*A的计算过程分为三步第一步,将卷积核翻转180°,也就是成为了第二步,将卷积核h的中心对准x的第一个元素,然后对应元 ...
深度学习优化函数详解（5）-- Nesterov accelerated gradient (NAG) 优化算法
深度学习优化函数详解系列目录深度学习优化函数详解(0)– 线性回归问题深度学习优化函数详解(1)– Gradient Descent 梯度下降法深度学习优化函数详解(2)– SGD 随机梯度下降 ...
transformer bert seq2seq 深度学习编码和解码的逻辑-重点
参考文献: 详解从 Seq2Seq模型.RNN结构.Encoder-Decoder模型到 Attention模型 [NLP]Attention Model(注意力模型)学习总结(https://ww ...
入门指南目录页 -PaddlePaddle 飞桨入门指南 FAQ合集-深度学习问题
入门指南目录页 -PaddlePaddle 飞桨入门指南 FAQ合集 GT_Zhang关注 0.1012019.08.01 18:43:34字数 1,874阅读 795 Hi,欢迎各位来自Paddl ...
深度学习的分布式训练--数据并行和模型并行
<div class="htmledit_views"> 在深度学习这一领域经常涉及到模型的分布式训练(包括一机多GPU的情况).我自己在刚刚接触到一机多卡,或者分布式 ...
1-1 机器学习和深度学习综述-paddle
课程>我的课程>百度架构师手把手教深度学习>1-1 机器学习和深度学习综述> 1-1 机器学习和深度学习综述 paddle初级课程王然(学生) Notebook 教育初级深 ...

深度学习——Noisier2Noise

深度学习——Noisier2Noise相关推荐

最新文章

热门文章