Evaluating Unsupervised Denoising Requires Unsupervised Metrics

要約

教師なしノイズ除去は、実世界のイメージング アプリケーションにおける重要な課題です。
教師なし深層学習手法は、合成ノイズに基づくベンチマークで印象的なパフォーマンスを示しています。
ただし、教師なしでこれらの方法を評価するための指標はありません。
これは、グラウンド トゥルースのクリーンなイメージが利用できない多くの実用的なアプリケーションにとって大きな問題です。
この作業では、教師なし平均二乗誤差 (MSE) と教師なしピーク信号対雑音比 (PSNR) という 2 つの新しいメトリックを提案します。これらは、ノイズの多いデータのみを使用して計算されます。
これらのメトリックの理論的分析を提供し、それらが教師あり MSE および PSNR の漸近的に一貫した推定量であることを示します。
合成ノイズを使用した制御された数値実験により、実際に正確な近似値が得られることが確認されています。
生フォーマットのビデオと透過型電子顕微鏡の 2 つのイメージング モダリティからの現実世界のデータに対するアプローチを検証します。
私たちの結果は、提案されたメトリックが、ノイズの多いデータのみに基づいたノイズ除去方法の教師なし評価を可能にすることを示しています。

要約(オリジナル)

Unsupervised denoising is a crucial challenge in real-world imaging applications. Unsupervised deep-learning methods have demonstrated impressive performance on benchmarks based on synthetic noise. However, no metrics are available to evaluate these methods in an unsupervised fashion. This is highly problematic for the many practical applications where ground-truth clean images are not available. In this work, we propose two novel metrics: the unsupervised mean squared error (MSE) and the unsupervised peak signal-to-noise ratio (PSNR), which are computed using only noisy data. We provide a theoretical analysis of these metrics, showing that they are asymptotically consistent estimators of the supervised MSE and PSNR. Controlled numerical experiments with synthetic noise confirm that they provide accurate approximations in practice. We validate our approach on real-world data from two imaging modalities: videos in raw format and transmission electron microscopy. Our results demonstrate that the proposed metrics enable unsupervised evaluation of denoising methods based exclusively on noisy data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google