Unsupervised Image Denoising with Score Function

解决问题：本篇论文旨在解决无监督单图像去噪问题，尤其是针对复杂噪声模型的应用。此问题并不是一个新问题，但是当前无监督学习方法在应用上存在一定的限制。

关键思路：本文提出了一种更加通用且适用于复杂噪声模型的新方法。利用评分函数的特性，即对数概率的梯度，我们定义了一个解决系统来进行去噪。一旦噪声图像的评分函数被估计出来，就可以通过解决系统获得去噪结果。本文的方法可以应用于多种噪声模型，例如结构相关的乘性和加性噪声混合。相比当前领域的研究，本文的思路更为新颖。

其他亮点：本文实验设计了多组对比实验来验证方法的效果，使用了多个数据集，并且开源了代码。值得继续深入研究的是，本文提出的方法是否可以应用于其他图像处理问题。

关于作者：本文的主要作者是Yutong Xie、Mingze Yuan、Bin Dong和Quanzheng Li。他们分别来自中国科学院自动化研究所和香港中文大学。Yutong Xie曾在CVPR、ICCV等会议上发表过多篇论文，研究方向主要是计算机视觉和深度学习。Mingze Yuan在研究方向上也是计算机视觉和深度学习，并在ICCV、ECCV等会议上发表过多篇论文。Bin Dong和Quanzheng Li也在计算机视觉和深度学习领域有较多的研究成果。

相关研究：近期其他相关的研究包括：

  1. "Unsupervised Learning for Real-World Denoising" by Kai Zhang, Wangmeng Zuo, and Lei Zhang from Harbin Institute of Technology and The Hong Kong Polytechnic University.
  2. "Noise2Noise: Learning Image Restoration without Clean Data" by Jaakko Lehtinen, Jacob Munkberg, Jon Hasselgren, Samuli Laine, Tero Karras, Miika Aittala, and Timo Aila from NVIDIA and Aalto University.

论文摘要：本文提出了一种新的方法，可以更广泛地适用于复杂的噪声模型，虽然当前的无监督学习方法在某些情况下表现出色，但通常在应用中存在一定的限制。我们利用得分函数（即对数概率的梯度）的性质，定义了一个求解系统来进行去噪。一旦估计出了带噪图像的得分函数，就可以通过求解系统获得去噪结果。我们的方法可以应用于多种噪声模型，例如混合乘性和加性噪声结合结构相关性。实验结果表明，我们的方法在噪声模型简单时与其他方法相当，而在其他方法不适用或表现不佳的复杂情况下表现良好。

内容中包含的图片若涉及版权问题，请及时与我们联系删除