Noise2Noise(无监督图像去噪) 训练流程浅析

最新推荐文章于 2025-08-07 22:04:19 发布
原创 最新推荐文章于 2025-08-07 22:04:19 发布 · 937 阅读 · 17 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

1.数据准备阶段

1.1获取“干净但不可见”的潜在图像

  • 从 ImageNet 验证集里随机抽 50 k 张高清图，作为“干净潜在图像” y_i 。

  • 这些 y_i 永远不会直接喂给网络，只在生成噪声样本时充当“母体”。

1.2 制造“两次独立采样”的噪声对

  • 对同一张 y_i，随机采样两次独立同分布零均值高斯噪声 \varepsilon, \eta \sim \mathcal{N}(0,\sigma^{2})，\sigma 在 [0,50] 之间每图随机：
                                                 

最低0.47元/天 解锁文章
【图像去噪】论文精读：Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images
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】
06-21 282
本文提出了一种无需干净图像即可实现真实相机噪声建模的新方法Noise2NoiseFlow。该方法通过联合训练噪声模型和去噪器，仅需噪声图像对即可学习准确的噪声分布。实验表明，该方法在噪声合成和密度估计方面优于传统信号处理模型，与有监督模型性能相当，并能显著提升降噪效果。该工作解决了真实场景中难以获取干净图像的难题，为噪声建模和图像去噪提供了新的解决方案。
大模型之二十六- 图像生成Diffusion model实例浅析
shichaog的专栏
08-25 1502
在2022年，midjourney、DALL-E以及Stable Diffusion三个文生图模型引爆了机器生产文生图领域，他们的模型能够在可控条件（标签、文本描述）下生成高分辨率、细节丰富的多样性图像，这在视觉上往往难以与真实图像区分。以下是他们几个简单的效果对比图。学术和工业界对他们采用的 Diffusion 模型兴趣迅速增长，导致了大量的研究、改进和创新。这推动了技术的发展和成熟，进一步扩大了它们的应用范围和影响力。本篇文章通过一个汽车图片生成的无条件Diffusion模型阐述这一原理。
图像去噪--Noise2Noise: Learning Image Restoration without Clean Data
AI小作坊 的博客
08-28 5307
Noise2Noise: Learning Image Restoration without Clean Data ICML 2018 1 Introduction 基于 corrupted or incomplete measurements 进行信号重构是一个很重要的课题。今年随着深度学习快速发展，自然也将CNN网络引入来解决图像去噪问题。 training a regression ...
无监督系列去噪算法
WX_Chen的博客
12-08 6356
2020-CVPR-波士顿电子制造商-Noisier2Noise_ Learning to Denoise from Unpaired Noisy Data Noisier2Noise: Learning to Denoise from Unpaired Noisy Data 2018-ICML-英伟达-Noise2Noise: Learning Image Restoration without Clean Data 本来我们做图像降噪，需要输入的噪音图像 x，和 “干净样本” y。 如果用 y 作
无监督去噪——[TMI2022]ISCL: Interdependent Self-Cooperative Learning for Unpaired Image Denoising
umbrellalalalala的博客
03-25 6782
知乎同名账号同步发布 这是一个unpaired的方法，也就是有很多noisy images，有很多clean images，但一对noisy-clean images内容上不是配对的。 目录前置知识模型架构实验小结 前置知识 需要了解CycleGAN的知识，可以去b站看李宏毅的课，CycleGAN那一讲只有20分钟，讲的非常清楚。 模型架构 假设你已经懂了CycleGAN的原理，那么就可以去注意ISCL的核心词汇：self-cooperative。模型架构如下： 上图中的F和G是CycleGAN原本就有的
Noise2Noise(无监督图像去噪) 复现（Windows PowerShell Pytorch）
broken_utopia的博客
08-04 266
本文介绍了n2n论文PyTorch实现的复现流程。首先详细说明了COCO数据集的下载与处理步骤，使用PowerShell命令将420张图片划分为训练集，80张为验证集，5张为测试集。其次配置了基于清华镜像源的conda环境，创建Python 3.9虚拟环境并安装依赖项。最后给出了训练和测试的具体命令参数，包括数据路径、批次大小、噪声类型等设置。测试阶段加载训练好的模型权重，设置噪声参数和裁剪尺寸进行验证。
无/自监督去噪(2)——Noise2Noise (N2N) 理论分析(从损失函数入手)
umbrellalalalala的博客
02-22 2614
然而，它们的均值会受到离群点较大的影响，也许会明显低于150，因为均值要充分考虑离群点，进一步，极端情况下如果那10%的数字范围在-1000000000左右，那么最终求得的均值将会远远偏离150这个数量级，此时均值将不能描述这个样本集的基本状况。通过实验，作者说明无论从效果还是收敛速度的角度，在加性高斯噪声去噪任务中，有监督学习都是没有必要的。原作者的意思是这里的mean不代表correct answer，因为所添加的大量随机颜色的文字，经过叠加之后的平均值应该是中灰色这一RGB为0~255平均值的颜色。
无/自监督去噪(1)——一个变迁：N2N→N2V→HQ-SSL
umbrellalalalala的博客
01-16 2586
在N2V中，我们已经见识了盲点的思想，即像素的推测靠的是所有相邻位置的像素，但不包含自身位置的像素。在x中随机选取N个点，对每个点p，都随机用一个点的像素替换它（具体地，在以p为中心、以网络感受野为大小的区域，如上图（b），用该区域内的一个随机像素（蓝色）替换中心像素（红色））。N2N的训练数据是相同场景的两次不同noisy observation组成的pair，实际使用的时候，两次不同的观测很难是相同场景的。上文所述，我们将Input中心像素点挖掉，并让网络的输出和完整的Input做loss。
Midjourney技术浅析（一）
m0_75253143的博客
12-27 1668
Midjourney 的工作流程如下：1.文本理解与编码（Text Understanding and Encoding）：将用户输入的文本描述转换为机器可理解的向量表示。2.图像生成（Image Generation）：根据文本向量生成图像。3.图像优化与后处理（Image Optimization and Post-processing）：对生成的图像进行优化，提高图像的质量和视觉效果。4.用户交互与反馈（User Interaction and Feedback）
即梦（Dreamina）技术浅析（二）：后端AI服务
m0_75253143的博客
01-25 1045
文本处理模块的主要任务是将用户输入的文字提示词转换为机器可以理解的向量表示。这一过程包括分词、词嵌入和语义编码，旨在捕捉文本的语义信息，为后续的图像和视频生成提供准确的指导。
Deepmotion技术浅析（二）：视频输入与预处理
m0_75253143的博客
12-13 1624
DeepMotion 的视频输入与预处理模块是整个动作捕捉和 3D 追踪流程的基础。该模块负责将用户上传的视频进行一系列处理，包括视频解码、帧提取、图像预处理等，为后续的深度学习模型提供高质量的输入数据。包括：1.视频解码与帧提取2.图像预处理3.数据标注与对齐4.视频帧序列构建5.模型详解（每个预处理步骤的算法模型及公式推导）
自监督去噪：Noiser2Noise原理分析
Liu Feng's Blog
08-03 5363
基于Noise2Noise，使用从单张噪声图片中采样的方法获取噪声对进行深度学习去噪
Noise2Noise(无监督图像去噪) 公式推导
最新发布
broken_utopia的博客
08-07 708
故事梗概：1.你拍了一张夜景照片，结果全是雪花点（噪声）。2.传统做法：找一张一模一样的「干净照片」当参考答案，教电脑如何把有噪点的照片修成干净的（这叫监督学习）。3.Noise2Noise 的脑洞：不需要干净照片！只要两张同一场景、不同随机噪声的照片 A、B，告诉电脑「把 A 修得尽量像 B 就行」。因为两张噪声是随机的，平均下来电脑就学会去掉噪声，而不会保留任何一张的特殊噪声。期望 (expectation)均值 (mean)总体方差（Population Variance）
去噪论文阅读（一）：Noise2Noise
Chaleen的博客
06-11 1797
在这种情况下，即使单个噪声实例中含有噪声，但在多个实例中，噪声的平均影响可以抵消，进而逼近干净图像的真实值。在此之前，去噪方法主要有两种：基于统计学关系进行整体去噪的方法，和使用干净-噪声图像对进行有监督学习的方法。Noise2noise所使用的主要思想是Noise2clean中就是使loss最小化，那在两幅来自同一场景的均值都为0的图片，网络倾向输出期望，最终的输出就为图片信号本身。1.无需Noise-Clean对：只需两个带噪声的图像对即可进行训练，增加了方法的实用性，尤其在无法获取干净图像的情况下。
自监督去噪：Noise2Void原理和调用（Tensorflow）
Liu Feng's Blog
08-02 6156
Noise2Void 原理推导，调用Tensorflow官方代码进行测试
【论文+代码】ZS-N2N实现小样本零网络图像去噪
weixin_46287760的博客
02-06 3672
本文涵盖论文原文讲解与代码复现。
传统神经网络方法去噪策略与新思路（Noise2noise）整理
zfqy2222的博客
09-28 5552
【均引用自其他博客，这里只是将我认同的观点做一个整理】 传统的神经网络去噪： 含噪图像作为输入，清晰图像作为输出，在这基础上训练神经网络以拟合两者之间的映射，从而实现去噪功能： 策略(GAN+CNN)： 1、提取含噪图像集中的噪声块，训练 GAN 网络以得到一个噪声生成器V 2、在干净图像数据集 X 中随机选取图像块 x ，加入 GAN 生成的噪声 v ，得到含噪图像 y 3、按照 {y,x} 训...
Zero-Shot Noise2Noise:无需数据集训练的有效图像去噪方法
weixin_55189321的博客
07-19 7605
然而，实验表明，残差学习，对称损失和额外的一致性强化项（正则项）对模型的表现至关重要，在残差学习中，网络被优化用来适应噪声而不是图像，因为噪声下采样后可能更容易观察和体现出噪声。近年来，图像开始使用监督网络进行去噪，并且表现出来良好的性能，但是当前的无数据集的方法要么计算成本高，要不就是需要噪声模型，或者就是图像质量较低，因此作者提出了一个简单的两层网络，以没有任何训练数据或者噪声分布的方法，用较低的成本去高质量的对图片进行去噪，该方法是一种以更低的成本并且优于现有的其他的无数据去噪的方法。
Noise2Noise: 实验总结——测试简记【去高斯噪声、去文本噪声】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
07-14 3349
这是一篇经典的图像去噪文章的简单测试
评论
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