Asymmetric Mask Scheme for Self-Supervised Real Image Denoising

近年来，自监督去噪方法在图像恢复领域取得了显著的成功，并变得至关重要。其中，基于盲点网络的方法是最典型的类型，并吸引了大量研究人员的关注。虽然引入盲点操作可以防止噪声到噪声的恒等映射，但它对网络设计中的感受野施加了严格的要求，从而限制了整体性能。为了解决这个挑战，我们提出了一种自监督去噪训练的单掩膜方案，它消除了盲点操作的需求，从而消除了对网络结构设计的限制。此外，为了实现整个图像的去噪，我们提出了一个多掩膜方案。我们的方法在训练和推理中采用了非对称掩膜方案，实现了现有真实噪声图像数据集上的最新性能。所有源代码将向公众开放。

本论文旨在解决自监督去噪方法中盲点网络操作对网络设计的限制问题，并提出了单掩膜和多掩膜方案来实现整个图像的去噪。

本文提出了一种新的自监督去噪训练方案，通过单掩膜方案消除了盲点操作对网络设计的限制，并通过多掩膜方案实现了整个图像的去噪。

本文的方法在现有真实噪声图像数据集上实现了最先进的性能，并且开源了所有源代码。值得进一步研究的是，本文提出的单掩膜方案是否可以适用于其他自监督任务。

最近在这个领域中，还有一些相关的研究，例如：“Noise2Void: Learning Denoising from Single Noisy Images”和“Deep Image Prior”。