Denoising/图像恢复

去噪是图像恢复/增强领域的一个经典问题，现在来关注一下，其实我更想关注unpaired real data 的去噪问题

---

---

GCBD-Image Blind Denoising With Generative Adversarial Network Based Noise Modeling

2018 cvpr 的一篇文章

novel two-step framework. First, a Generative Adversarial Network (GAN) is trained to estimate the noise distribution over the input noisy images and to generate noise samples. Second, the noise patches sampled from the first step are utilized to construct a paired training dataset, which is used, in turn, to train a deep Convolutional Neural Network (CNN) for denoising
典型的估计噪声分布来获取paired images

大量的实验证明GAN 可以用来学习复杂的分布，那么直观来看我们可以用GAN 的生成器将clean 图像映射到一个具有和真实图像相似噪声的的图像。但是作者说: “it is not trivial to realize this goal”, “we found that it doesn’t work this way”. 尽管可以学习到类似的噪声分布，但是没有证明原始的分布没有被改变

为了解决这个问题，我们选择训练一个生成器学习这种噪声而不是噪声图片

豁然开朗就是这个意思吧
文章反复提到 internal information 和external information

---

• framework
  
  上图没怎么看懂，GAN 干了什么，怎么约束的Noise？
  文章说为了简化问题，假设图像具有均值为0 的未知噪声

---

• Noise Model
  在构建成对训练数据之前，需要从噪声图像(noise image)估计噪声模块(approximate noise block)
  噪声模块可以更好的噪声模型和噪声数据生成(noise modeling noise data generation)
  这里才是文章的关键啊，估计噪声块，从噪声图像中去除背景干扰生成纯噪声的块(图像)，这就太强了啊，那他是怎样估计噪声块的呢—
  假设纯噪声块图像为V(with weak background), 假设噪声的均值为0，那么使用含噪声块的噪声图像减去平滑块(smooth patch)的均值即可,使用文章算法并没有得到一个可信的结果，我觉得噪声为0的假设对于自然图像的采集可能可取，但是对于特定且不确定噪声有待商榷
  总结下文章使用的快速平滑块搜索算法(fast smooth patch search algorithm, FSPSA)
  噪声模型 $y=x+n$
  假设噪声均值为0，那么$y_{mean}=x_{mean}$
  在假设如果我们图像块足够平滑即使smooth patch，那么就有 $n\approx y-$