如何图像去噪？（二）

第七章 自监督学习与无监督去噪

7.1 自监督去噪的核心思想

自监督学习通过设计无需干净图像的训练任务，从噪声数据中直接学习去噪映射。其核心优势在于摆脱对成对数据（噪声-干净图像）的依赖，适用于真实场景。

关键技术路线：

1. 盲点学习：通过屏蔽部分输入像素，强制网络学习上下文信息
2. 噪声建模：假设噪声统计特性（如零均值、独立性）构建损失函数
3. 多帧融合：利用视频或多曝光图像中的时间冗余

7.2 经典自监督去噪方法

7.2.1 Noise2Noise

• 基本假设：噪声图像对 ( I_{\text{noisy}}^{(1)}, I_{\text{noisy}}^{(2)} ) 的期望值等于干净图像
• 损失函数：
  [ \mathcal{L} = \mathbb{E}\left[ | f_{\theta}(I_{\text{noisy}}^{(1)}) - I_{\text{noisy}}^{(2)} |^2 \right] ]
• 代码实现<