Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image

要約

画像強調アプローチでは、ノイズが信号に依存しないと想定し、劣化モデルをゼロ平均加法性ガウスノイズとして近似することがよくあります。
ただし、この仮定は、センサーベースのノイズ源が信号強度に比例し、ノイズがポアソン過程としてより適切に表される生物医学画像システムには当てはまりません。
この作業では、スパースディクショナリ学習ベースのアプローチを検討し、ノイズがポアソンプロセスとして近似され、クリーンなグラウンドトゥルースデータを必要としない単一画像ノイズ除去のための新しい自己監視学習方法を提示します。
具体的には、ネットワークの重みに関してスパース性を強制するリカレントニューラルネットワークを使用して、画像のノイズ除去のための従来の反復最適化アルゴリズムを近似します。
スパース表現は基礎となる画像に基づいているため、画像パッチ内のスプリアス成分（ノイズ）を抑制し、ネットワーク構造を介してノイズ除去タスクの暗黙的な正則化を導入できます。
2つのバイオイメージングデータセットでの実験は、私たちの方法がPSNRとSSIMの点で最先端のアプローチよりも優れていることを示しています。
私たちの定性的な結果は、標準的な定量的メトリックでのより高いパフォーマンスに加えて、他の比較されたアプローチよりもはるかに微妙な詳細を回復できることを示しています。

要約(オリジナル)

Image enhancement approaches often assume that the noise is signal independent, and approximate the degradation model as zero-mean additive Gaussian noise. However, this assumption does not hold for biomedical imaging systems where sensor-based sources of noise are proportional to signal strengths, and the noise is better represented as a Poisson process. In this work, we explore a sparsity and dictionary learning-based approach and present a novel self-supervised learning method for single-image denoising where the noise is approximated as a Poisson process, requiring no clean ground-truth data. Specifically, we approximate traditional iterative optimization algorithms for image denoising with a recurrent neural network which enforces sparsity with respect to the weights of the network. Since the sparse representations are based on the underlying image, it is able to suppress the spurious components (noise) in the image patches, thereby introducing implicit regularization for denoising task through the network structure. Experiments on two bio-imaging datasets demonstrate that our method outperforms the state-of-the-art approaches in terms of PSNR and SSIM. Our qualitative results demonstrate that, in addition to higher performance on standard quantitative metrics, we are able to recover much more subtle details than other compared approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google