Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising

深度学习去噪技术是图像去噪领域近期发展的重点。近年来，越来越多的人开始关注开发自监督去噪网络，这些网络仅需要噪声图像，无需干净的真实数据进行训练。然而，当前自监督方法与监督方法之间仍存在性能差距。此外，这些方法通常依赖于噪声特征的假设，从而限制了它们在实际场景中的应用。受 Frobenius 范数展开特性的启发，我们发现引入一个迹项可以减少自监督和监督方法之间的优化目标差异，从而提高自监督学习的性能。为了利用这一发现，我们提出了一种迹约束损失函数，并设计了低迹适应的 Noise2Noise（LoTA-N2N）模型，以弥合自监督和监督学习之间的差距。此外，我们发现几种现有的自监督去噪框架自然地成为所提出的迹约束损失的子情况。在自然图像和共聚焦图像数据集上进行的大量实验表明，我们的方法在零样本自监督图像去噪方法领域内实现了最先进的性能，而不依赖于任何噪声假设。

解决问题：论文旨在提高自监督图像去噪网络的性能，以便能够在没有干净图像作为参考的情况下进行训练。

关键思路：论文提出了一种基于Frobenius范数扩展的迹约束损失函数，并设计了一种新的自监督图像去噪模型LoTA-N2N，以提高自监督学习的性能。

亮点：论文的实验结果表明，提出的方法在自监督图像去噪领域取得了最先进的性能，而且不需要对噪声进行任何假设。此外，论文还发现了一些现有的自监督去噪框架自然地属于所提出的迹约束损失的子情况。

相关研究：最近的相关研究包括：Noise2Noise, Noise2Void, Noise2Same等。