Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising

监督式深度学习已成为图像去噪的首选方法。它涉及在由噪声图像和清晰图像组成的大型数据集上训练神经网络。然而，需要针对目标应用程序的训练数据限制了去噪网络的广泛使用。最近，已经开发了几种方法来克服这个困难，无论是通过人工生成逼真的清晰/噪声图像对，还是仅在噪声图像上进行训练。在本文中，我们展示了与普遍看法相反，专门用于去除高斯噪声的去噪网络可以有效地用于实际图像去噪，甚至不需要额外的训练。为了实现这一点，必须事先应用适当的方差稳定变换(VST)。我们提出了一种称为Noise2VST的算法，用于学习这种无模型的VST。我们的方法仅需要输入噪声图像和一个现成的高斯去噪器。通过广泛的实验，我们展示了Noise2VST相对于在缺乏特定清晰/噪声对的情况下进行训练的现有方法的效率和优越性。

论文旨在探讨如何使用专门用于去除高斯噪声的去噪网络来有效地进行真实世界图像去噪，即使没有特定的干净/噪声图像对进行训练。

使用噪声图像和现成的高斯去噪器，通过适当的方差稳定变换（VST）来学习无需训练的VST模型，从而有效地进行真实世界图像去噪。

论文提出了一种名为Noise2VST的算法，用于学习VST模型。通过大量实验，证明了Noise2VST相比于其他方法在真实世界图像去噪方面的高效性和优越性。

最近的相关研究包括：1. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising；2. Noise2Noise: Learning Image Restoration without Clean Data；3. Learning Raw Image Denoising with Bayer Pattern Unification and Bayer Preserving Augmentation。