简介
图像去噪是去除图像噪声的任务，例如对图像应用高斯噪声。
2017
Unsupervised Learning by Predicting Noise
code: https://paperswithcode.com/paper/unsupervised-learning-by-predicting-noise
摘要： 卷积神经网络提供了在许多计算机视觉应用程序中表现良好的视觉特征。然而，训练这些网络需要大量的监督；本文介绍了一个通用的框架来训练这样的网络，端到端，没有监督。我们建议修复一组目标表示，称为噪声作为目标(NAT)，并约束深度特征以与之对齐。这种领域不可知的方法避免了标准的无监督学习问题和特征崩溃。由于随机批重新分配策略和可分离的平方损失函数，它可以扩展到数百万幅图像。该方法产生的表示方法的性能与ImageNet和pascalVOC上最先进的无监督方法相当。
2019
Unprocessing Images for Learned Raw Denoising（CVPR）
code: https://paperswithcode.com/paper/unprocessing-images-for-learned-raw-denoising
摘要： 当用于训练的数据与用于评估的数据相似时，机器学习技术的工作效果最好。这适用于学习的单图像去噪算法，该算法应用于真实的原始相机传感器读数，但由于实际限制，通常在合成图像数据上进行训练。虽然理解，概括从合成真实的图像需要仔细考虑相机传感器的噪声特性，图像处理管道的其他方面（如增益，颜色校正，和语气映射）经常被忽视，尽管他们的重大影响原始测量转化为完成的图像。为了解决这个问题，我们提出了一种技术，通过反转图像处理管道的每一个步骤来“取消处理”图像，从而允许我们从常用的互联网照片中合成真实的原始传感器测量值。在评估我们的损失函数时，我们还对图像处理管道的相关组件进行了建模，这允许训练了解去噪后将发生的所有相关光度处理。通过不处理和处理训练数据和模型输出以这种方式，我们能够训练一个简单的卷积神经网络有14%-38%低错误率和9×-18×比以前的SOTA Darmstadt Noise Dataset[31]，并推广到传感器之外的数据集。
