Perceptive self-supervised learning network for noisy image watermark removal

通常流行的方法是使用监督学习中的退化模型来学习去除水印的模型。然而，在现实世界中，参考图像很难获得，相机采集的图像也会受到噪声的影响。为了克服这些缺点，本文提出了一种用于去除噪声图像水印的感知自监督学习网络（PSLNet）。PSLNet依赖于一个并行网络来去除噪声和水印。上层网络使用任务分解思想按顺序去除噪声和水印。下层网络利用退化模型的思想同时去除噪声和水印。具体而言，所提到的成对水印图像是以自监督的方式获得的，成对噪声图像（即噪声和参考图像）是以监督的方式获得的。为了增强获得图像的清晰度，使用交互两个子网络并融合获得的清晰图像来改善图像去水印的效果，以结构信息和像素增强为基础。考虑到纹理信息，混合损失使用获得的图像和特征来实现噪声图像水印去除的稳健模型。综合实验表明，与流行的卷积神经网络（CNN）相比，我们提出的方法在去除噪声图像水印方面非常有效。代码可在https://github.com/hellloxiaotian/PSLNet获得。

本论文旨在解决在真实世界中获取参考图像困难、相机采集的图像存在噪声等问题，提出了一种感知自监督学习网络（PSLNet）用于去除噪声图像中的水印。

PSLNet利用并行网络来去除噪声和水印。上层网络使用任务分解思想按顺序去除噪声和水印，下层网络利用退化模型思想同时去除噪声和水印。通过相互作用的两个子网络和融合获得的清晰图像，以提高图像去水印的效果。使用混合损失来考虑纹理信息，使用自监督和监督学习方法来获取配对的水印图像和噪声图像。综合实验表明，与当前流行的卷积神经网络相比，PSLNet在去除噪声图像中的水印方面非常有效。

本论文的亮点包括：使用感知自监督学习网络来解决去除噪声图像中的水印问题；使用任务分解和退化模型思想来同时去除噪声和水印；使用混合损失来考虑纹理信息；实验结果表明，PSLNet在去除噪声图像中的水印方面非常有效。论文使用了多个数据集进行实验，并开源了代码。

近期的相关研究包括：1）使用深度学习方法进行图像去水印；2）使用自监督学习方法进行图像去水印；3）使用GAN进行图像去水印。相关论文包括：1）"Deep Image Prior"；2）"Unsupervised Learning for Intrinsic Image Decomposition from a Single Image"；3）"Generative Adversarial Network for Image Restoration"。