Positive2Negative: Breaking the Information-Lossy Barrier in Self-Supervised Single Image Denoising

要約

画像除去は画質を向上させ、さまざまな計算写真アプリケーションで基礎的な手法として機能します。
実際のシナリオで画像をきれいに獲得するための障害は、ノイズの多い画像、特に単一の騒々しい画像に応じてのみ、自己監視された画像除去方法の開発を必要とします。
既存の自己監視画像は、パラダイム（noise2noiseとnoise2void）を除去するパラダイム（noise2noise2void）が、ダウンサンプリングやマスキングなど、低品質の除去パフォーマンスに至るような情報損失の操作に大きく依存しています。
このペーパーでは、情報障害を破るために、肯定的な2ネガティブであるパラダイムを除去する新しい自己監督の単一イメージを提案します。
私たちのパラダイムには、2つの重要なステップが含まれます。これは、リノー化データ構築（RDC）と一貫性のない監督（DCS）です。
RDCは、予測されたノイズによって予測された除去された画像をリノードして、複数のノイズの多い画像を構築し、元の画像のすべての情報を保存します。
DCSは、複数の除去された画像全体で一貫性を保証し、ネットワークを監督して堅牢な除去を学習します。
私たちのPositive2Negativeパラダイムは、大幅な速度改善で除去される自己監視単一の画像で最先端のパフォーマンスを達成します。
このコードは、https://github.com/li-tong-621/p2nで一般に公開されています。

要約(オリジナル)

Image denoising enhances image quality, serving as a foundational technique across various computational photography applications. The obstacle to clean image acquisition in real scenarios necessitates the development of self-supervised image denoising methods only depending on noisy images, especially a single noisy image. Existing self-supervised image denoising paradigms (Noise2Noise and Noise2Void) rely heavily on information-lossy operations, such as downsampling and masking, culminating in low quality denoising performance. In this paper, we propose a novel self-supervised single image denoising paradigm, Positive2Negative, to break the information-lossy barrier. Our paradigm involves two key steps: Renoised Data Construction (RDC) and Denoised Consistency Supervision (DCS). RDC renoises the predicted denoised image by the predicted noise to construct multiple noisy images, preserving all the information of the original image. DCS ensures consistency across the multiple denoised images, supervising the network to learn robust denoising. Our Positive2Negative paradigm achieves state-of-the-art performance in self-supervised single image denoising with significant speed improvements. The code is released to the public at https://github.com/Li-Tong-621/P2N.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google