Noise2Noise图像去噪

图像去噪之 Noise2Noise 和 Noise2Void 背景 图像去噪声是图像生成领域经典的病态问题。以往的图像去噪模型通常需要将噪声图像xix_ixi​和对应的干净图像yiy_iyi​成对输入网络中对网络进行训练:argmin⁡θ∑iL(f(xi,θ),yi)(1) arg\min_{\theta}\sum_iL(f(x_i,\theta), y_i ) \tag{1} argθmin​i∑​L(f(xi​,θ),yi​)(1)其中θ\thetaθ代表需要优化的网络参数。然而在实际问题中,成对的训练图像往往是不易获得,甚至无法获得的,因此一系列抛弃干净图像, 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

目录

概述

算法原理

演示效果

核心逻辑

使用方式

系统及基础镜像

配置环境

不训练仅用已经训好的模型查看效果

训练集及验证集获取

简便获取

完整获取过程(想用全部数据集进行训练时推荐)

测试集获取

训练

用高斯噪声训练

用泊松噪声训练


 本文所有资源均可在该地址处获取。

概述

本文复现论文Noise2Noise: Learning Image Restoration without Clean Data中提出的图像去噪方法,并使用最广泛应用的高斯噪声与泊松噪声来做实验。原文连接https://arxiv.org/abs/1803.04189

该论文证明了,对于同一张干净图片,如果分两次污染它所用的噪声同分布且0均值的情况下,那么用这一对噪声图像进行网络训练即noise2noise的训练方法就能达到与用干净-噪声图像对即noise2clean的训练方法接近的去噪效果。

该方法在无监督与自监督方法中效果几乎达到了最好,相比ZS-Noise2Noise这样的方法效果要优秀非常多,与有监督方法的效果相近!

论文在多种噪声和测试数据集上进行了实验,本文只选取高斯噪声与泊松噪声并在官方测试数据集中选取了一个进行测试。

算法原理

对于干净的图片分布,我们用xcleanxclean​表示。在现实的生产生活中,干净的图片经常会被噪声所污染,变为xnoisexnoise​,污染的过程我们可以使用如下过程表示:

xnoise=xclean+noisexnoise​=xclean​+noise

其中noisenoise最常见的分布便是高斯分布与泊松分布。
在深度学习中,图像的去噪任务就是尽可能学习到一个模型使得:

xclean=fθ(xnoise)xclean​=fθ​(xnoise​)

其中ff为模型,θθ为训练过程中学习到的模型参数。当然在现实中是不可能的,我们只能使我们的模型尽可能去逼近理想效果,即:

xclean≈fθ(xnoise)xclean​≈fθ​(xnoise​)

为了达到以上效果,有监督学习采取的方法是是最小化训练数据与标签的损失函数来学习模型参数即:

argmin⁡θE(xnoise,xclean){L(fθ(xnoise),xclean)}θargmin​E(xnoise​,xclean​)​{L(fθ​(xnoise​),xclean​)}

其中LL代表我们选取的损失函数,在图像训练中通常为L2L2​损失或L1L1​损失。

具体到某个数据集上,有监督学习的过程实际上就是如下过程:

argmin⁡θ∑iL(fθ(xnoisei),xcleani)θargmin​i∑​L(fθ​(xnoisei​),xcleani​)

其中i代表数据集中的样本标号。

当然,有监督学习的效果毋庸置疑,但是在现实生活中(xnoiseixnoisei​,xcleanixcleani​)这样的图像对获取并不容易,这也成为了制约有监督学习的一大因素。

本文算法的亮点就是不用传统有监督学习算法中使用的(xnoiseixnoisei​,xcleanixcleani​)图像对,而是改用(xnoise1ixnoise1i​,xnoise2ixnoise2i​)这样的图像对进行训练却能达到有监督方法的效果,该方法将有监督学习训练模型的过程改为了:

argmin⁡θ∑iL(fθ(xnoise1i),xnoise2i)θargmin​i∑​L(fθ​(xnoise1i​),xnoise2i​)

其中noise1noise1与noise2noise2代表独立同分布且都是0均值的噪声。xnoise1xnoise1​代表用noise1noise1污染xcleanxclean​后的图片,xnoise2xnoise2​代表用noise2noise2污染xcleanxclean​后的图片,在本文算法中noise1noise1于noise2noise2可选择高斯分布与泊松分布两种方案。

尽管对于noise1noise1与noise2noise2噪声分布的限制略显苛刻,但本文算法无疑为解决有监督学习的去噪任务中标签数据的难以获取问题提供了一种突破性的思路。

在模拟数据的实验结果上证明Noise2Noise的训练方法性能非常接近有监督的训练方法。

演示效果

核心逻辑

#获得噪声对
def get_noisePair(image, noi
【传知代码】Noise2Noise图像去噪(论文复现) 本文所涉及所有资源均在传知代码平台可获取本文复现论文Noise2Noise: Learning Image Restoration without Clean Data中提出的图像去噪方法,并使用最广泛应用的高斯噪声与泊松噪声来做实验,原文连接 地址 ,具体如下: 该论文证明了,对于同一张干净图片,如果分两次污染它所用的噪声同分布且0均值的情况下,那么用这一对噪声图像进行网络训练即noise2noise的训练方法就能达到与用干净-噪声图像对即noise2clean的训练方法接近的去噪效果,该方 阅读详情

相关推荐

Noise2Noise(无监督图像去噪) 训练流程浅析

Noise2Noise 的核心训练流程:“用两组独立同分布、零均值的噪声样本分别污染同一张潜在干净图,得到;然后像传统监督学习一样,用 L2 / L1 / 自定义损失去回归 ŷ,网络就能学会输出真实干净图,从而完全摆脱对真实干净数据的依赖。

broken_utopia的博客 1052

图像去噪之 Noise2Sim 和 Noise2Same

引言 图像去噪问题是图像生成领域经典的low level问题,最初的图像去噪网络需要配对的噪声图像xix_ixi​和干净图像yiy_iyi​,去噪网络fθf_{\theta}fθ​通过argmin⁡θ∣∣f(xi;θ)−yi∣∣(1) arg\min_{\theta}||f(x_i;\theta)-y_i \tag{1}||argθmin​∣∣f(xi​;θ)−yi​∣∣(1)对网络进行优化。然而由于实际应用中配对数据难以获得,因此Jaakko Lehtinen 等人在2018年发表的N2N1中提出可以使用

qq_37614597的博客 2775

从Noise2Sim到Noise2Same:探索无监督图像去噪的边界优化

本文深入探讨了从Noise2Sim到Noise2Same的无监督图像去噪技术演进,分析了各算法的核心原理与应用局限。重点解析Noise2Same通过动态J不变性约束实现边界突破,在医疗影像、工业质检等场景中显著提升细节保留率。文章还提供实战选型指南,帮助开发者根据数据特性、纹理复杂度等维度选择最优方案。

weixin_30379531的博客 338

从Noise2Noise到Noise2Void:无监督图像去噪技术的演进与实践

本文系统梳理了从Noise2Noise到Noise2Void的无监督图像去噪技术演进。Noise2Noise利用成对噪声图像进行训练,而Noise2Void则实现了仅需单张噪声图像的突破,通过盲点网络学习图像空间上下文信息实现自我去噪。文章对比了两者的原理、适用场景与局限,并提供了实战选型指南与调参经验,为处理缺乏干净标签数据的图像去噪任务提供了有效解决方案。

weixin_29093169的博客 255

图像去噪新视角:Noise2Sim与Noise2Same的实战对比与优化策略

本文深入对比了图像去噪领域两大自监督方法Noise2Sim与Noise2Same。Noise2Sim通过挖掘图像自相似性构造训练对,在纹理重复场景(如卫星图像)表现优异;而Noise2Same通过松弛“盲点”约束和自适应损失函数,在处理复杂、非均匀噪声(如医学影像)时更具鲁棒性。文章提供了实战对比、优化策略与关键参数调优指南,为单张噪声图像去噪提供了新视角。

assembly8low的博客 585

【图像去噪】论文复现:倒反天罡!老思想新创意,无需Ground-truth!Pytorch实现无监督图像去噪开山之作Noise2Noise!附训练好的模型文件!

论文题目:Noise2Noise: Learning Image Restoration without Clean Data —— Noise2Noise:在没有干净数据的情况下学习图像恢复【图像去噪】论文精读:Noise2Noise: Learning Image Restoration without Clean Data(N2N)说明:Noise2Noise是一种无监督训练模型的思想,并不是像之前算法模型那样提出了一个新的神经网络。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 1649

Noise2Fast图像去噪,效果好但是速度慢,如何优化?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 791

图像去噪 | Zero-Shot Noise2Noise:无需任何数据的高效图像去噪[有监督去噪、CVPR2023] 训练自己的数据集

近年来,自监督神经网络在图像去噪方面表现出了良好的性能。然而,当前的无数据集方法要么计算成本高,要么需要噪声模型,要么图像质量不足。在这项工作中,作者展示了一个简单的2层网络,不需要任何训练数据或噪声分布的知识,可以以低计算成本实现高质量的图像去噪。作者的方法是由Noise2Noise和Neighbor2Neighbor驱动的,可以很好地去噪像素独立的噪声。几乎所有的监督式或者非监督去噪方式,包括作者提出的方法,都依赖于一个前提,就是干净的自然图片与具有不同分布方式的噪声图片,可以分解为一对下采样图像。

LiRongLu_的博客 472

【图像去噪】论文精读:Noise2Void-Learning Denoising from Single Noisy Images(N2V)

论文题目:Noise2Void-Learning Denoising from Single Noisy Images —— Noise2Void -从单个噪声图像中学习去噪CVPR 2019!从单张噪声图中学习去噪!图像去噪领域目前主要由在噪声输入和干净目标图像对上训练的判别深度学习方法主导。最近已经表明,这种方法也可以在没有干净目标的情况下进行训练。相反,可以在一种称为 NOISE2NOISE (N2N) 的方法中使用独立的噪声图像对。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 933

Noise2Noise图像去噪实战:REDNet30+PyTorch完整复现

图像去噪是计算机视觉基础任务,传统监督方法依赖干净真值标签,而真实场景常仅有噪声图像。Noise2Noise(N2N)突破性提出无配对监督范式,利用两份独立加噪副本构建自监督信号,其数学本质是期望最小化下的噪声鲁棒学习。结合REDNet30残差编码-解码架构,该方案兼顾建模能力与推理效率,在PSNR/SSIM指标上显著优于单噪声监督基线。适用于工业检测、低光摄影、老旧文档修复等缺乏真值标注的落地场景,支持PyTorch训练、ONNX部署及C++加速,真正实现从算法原理到工程交付的闭环。

weixin_31062533的博客 214

AD20/Altium designer——元器件批量命名与编号的高效技巧

本文详细介绍了在AD20/Altium Designer中实现元器件批量命名与编号的高效技巧。通过解析核心的“原理图标注”功能,从基础全局操作到进阶的按模块分区、利用标识符及合并BOM等智能方法,帮助硬件工程师彻底告别手动编号,大幅提升设计效率与文档规范性,并融入了一套完整的实战工作流。

whisky的博客 571

十大排序算法详解(一)冒泡排序、选择排序、插入排序、快速排序、希尔排序

冒泡排序、选择排序、插入排序、快速排序、希尔排序

HK的博客 18万+

ClickHouse分布式表原理:大数据分片存储与查询

我是一名资深大数据工程师,专注于ClickHouse优化和分布式架构设计。拥有5年以上大数据开发经验,曾为多家电商、金融公司提供ClickHouse解决方案。欢迎关注我的博客(),一起探讨大数据技术!留言互动:你在使用ClickHouse分布式表时遇到过什么问题?欢迎在评论区分享,我会一一解答!

AI大模型应用之禅 959

安卓逆向实战:利用Frida-RPC自动化获取大麦演唱会数据

本文详细介绍了如何利用Frida-RPC技术实现安卓逆向自动化,以获取大麦演唱会数据。通过实战演示,从环境搭建、使用Frida动态分析定位核心签名算法,到封装为可复用的Python脚本,完整解析了自动化数据获取的技术路径与工程化思考。

cheese的博客 982

Flowable任务节点动态预测:基于任务ID与参数获取下一节点及候选分配策略

本文深入探讨了Flowable工作流引擎中任务节点动态预测功能的实现。通过解析任务ID与运行时参数,模拟流程执行路径,精准预测下一节点及候选用户/组集合,从而提升用户体验与系统透明度。核心在于利用自定义命令实现表达式求值,并深度解析候选者分配策略,确保预测结果与实际流程执行一致。

nnn11的博客 744

HTML爱心字母雨(完整代码)

HTML语言实现爱心字母雨的完整代码。

AIGC 2万+

Modelsim:LPDDR5仿真(含美光仿真模型官方sv&vcs代码)

虽然,三星在设计跟量产上,早于其他家存储产商,但是镁光后来居上了,是业界首家支持全速 LPDDR5 的供应商,并且开发者在做开发的时候,也是用美光颗粒比较多,所以这里就先以美光的仿真模型为主进行仿真。 本工程为美光官方工程,支持Modelsim、VCS、ncverilog三种仿真器仿真。模型破解过,为完整system-verilog代码。

千歌叹尽执夏的博客 1289

游戏大厂如何解析引擎技术

本文系统解析了游戏大厂如何评估和定制游戏引擎。游戏引擎作为游戏开发的核心基础,大厂会从性能、跨平台支持、渲染能力、网络模块等8个维度进行技术解析,通过文档查勘、源码阅读、Demo测试等7个步骤深度评估。解析后通常有三种决策:直接使用、深度定制或自研重构。文章以腾讯、网易、米哈游等为例,展示了不同厂商的引擎定制策略,并分析了技术解析面临的挑战和未来趋势。最终指出,体系化的引擎技术解析是打造高质量游戏的关键,需要持续的技术投入和团队协作。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 536

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

上一篇: 基于曲率的图重新布线
下一篇: 探索视觉与语言模型的可扩展性
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值