基于相似度的自学习图像去噪
如今，通过使用深度卷积神经网络解决了图像去噪的任务。但是，这些通常需要多对图像来训练网络。他们也不使用自相似性或重复模式。最近的一项研究提出了一种新颖的去噪方法，该方法仅需要单个噪点图像即可进行训练。
该方法在图像中查找相似的补丁，将其注册，并形成特定于图像的训练数据集。为了减少对计算资源的需求，该算法生成许多相似的图像，然后在训练过程中随机选择一对。训练后，从原始图像产生去噪图像。实验表明，与其他当前的图像降噪方法相比，所建议的方法可以更好地消除噪声，同时保留结构上的细微差别。
去噪方法背后的关键思想是在本地或非本地执行均值/平均运算。对经典降噪方法的观察表明，非局部均值(NLM)结果通常优于局部去噪结果。尽管在图像降噪方面获得了最佳性能，但受监督的深度降噪方法仍需要成对的噪声清除数据，这些数据通常不可用。为了解决这一挑战，Noise2Noise方法基于以下事实：成对的噪声清除图像可以替换为更易于收集的成对噪声噪声图像。但是，在许多情况下，收集成对的噪声图像仍然不切实际。为了绕过带标签的图像，Noise2Void方法仅在单个噪点图像中根据其周围环境预测被遮盖的像素。可悲的是，Noise2Noise方法和Noise2Void方法都没有像NLM方法那样利用图像中的自相似性，而自相似性/对称性在现代科学中却起着至关重要的作用。在这里，我们提出了Noise2Sim，这是一种受NLM启发的自学习方法，用于图像去噪。具体来说，Noise2Sim利用图像补丁的自相似性，学习如何在相似补丁的中心像素之间进行映射，以实现自一致的图像降噪。我们的统计分析表明，Noise2Sim在温和条件下趋于等同于Noise2Noise。为了加快寻找相似图像补丁的过程，我们设计了一个有效的两步过程来为Noise2Sim训练提供数据，如果需要，可以迭代进行。
标签：