broken_utopia的博客

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）

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。

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。