UNSURE: Unknown Noise level Stein's Unbiased Risk Estimator

最近，已经提出了许多自监督学习方法，用于图像重建，这些方法可以仅从噪声数据中学习，而无需基于真实数据进行参考。现有的方法大多聚集在两类方法：i）Noise2Self和类似的交叉验证方法，这些方法需要对噪声分布有非常微弱的知识；ii）Stein的无偏风险估计器（SURE）和类似方法，这些方法假设具有完全的分布知识。第一类方法通常与监督学习相比不够优秀，而第二类方法通常不切实际，因为噪声水平通常在实际应用中是未知的。在本文中，我们提供了一个理论框架，以表征这种表达能力和鲁棒性之间的权衡，并提出了一种基于SURE的新方法，但不像标准SURE那样需要知道噪声水平。通过一系列实验，我们展示了所提出的估计器在各种图像反问题上优于其他现有的自监督方法。

论文旨在解决基于自监督学习的图像重建方法中的准确性和实用性之间的权衡问题。

论文提出了一种基于Stein无偏风险估计器（SURE）的新方法，该方法不需要关于噪声水平的先验知识，从而在准确性和实用性之间取得了平衡。

论文通过一系列实验表明，所提出的估计器在各种图像反问题上优于现有的自监督方法。论文还提供了开源代码和使用的数据集。

相关研究包括Noise2Self、SURE和其他自监督学习方法，以及基于监督学习的图像重建方法。