UNSURE: self-supervised learning with Unknown Noise level and Stein’s Unbiased Risk Estimate

要約

最近、画像再構成のための多くの自己監視学習方法が提案されており、騒々しいデータだけから学習して、地上の真実の参照の必要性をバイパスしています。
ほとんどの既存の方法は、2つのクラスを中心にクラスター化します。i）Steinの偏りのないリスク推定（Sure）および騒音分布の完全な知識を仮定する同様のアプローチとii）Noise2自己およびノイズ分布に関する非常に軽度の知識を必要とする同様の交差検証方法。
ノイズレベルは実際のアプリケーションではしばしば不明であるため、最初のクラスのメソッドは非現実的である傾向があり、2番目のクラスは監視された学習と比較してしばしば最適です。
このホワイトペーパーでは、この表現力の強さのトレードオフを特徴付ける理論的枠組みを提供し、Suresに基づいて新しいアプローチを提案しますが、標準とは異なり、ノイズレベルに関する知識は必要ありません。
一連の実験を通して、提案された推定器が、さまざまなイメージングの逆問題に関する他の既存の自己監視方法よりも優れていることを示します。

要約(オリジナル)

Recently, many self-supervised learning methods for image reconstruction have been proposed that can learn from noisy data alone, bypassing the need for ground-truth references. Most existing methods cluster around two classes: i) Stein’s Unbiased Risk Estimate (SURE) and similar approaches that assume full knowledge of the noise distribution, and ii) Noise2Self and similar cross-validation methods that require very mild knowledge about the noise distribution. The first class of methods tends to be impractical, as the noise level is often unknown in real-world applications, and the second class is often suboptimal compared to supervised learning. In this paper, we provide a theoretical framework that characterizes this expressivity-robustness trade-off and propose a new approach based on SURE, but unlike the standard SURE, does not require knowledge about the noise level. Throughout a series of experiments, we show that the proposed estimator outperforms other existing self-supervised methods on various imaging inverse problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google