CN119399051A 基于采样差异作为扰动的自监督真实图像去噪方法 （四川大学）

基于采样差异作为扰动的自监督真实图像本发明公开了一种基于采样差异作为扰动的自监督真实图像去噪方法。主要包括以下步可以不需要干净图像进行训练并且优于现有的伪监督/自监督方法，是一种有效的自监督真实22.根据权利1所述的基于采样差异作为扰动的自监督真实图像去噪方法，其特征在于步骤一中所提出的随机子样本生成策略，其中随机子样本生成的英文表示为RandomSub_3.根据权利1所述的基于采样差异作为扰动的自监督真实图像去噪方法，其特征在于4.根据权利1所述的基于采样差异作为扰动的自监督真实图像去噪方法，其特征在于3[0005]本发明提出的基于将采样差异作为扰动(SamplingDifferenceAsPerturbation,SDAP)的自监督真实图像去噪方法主要包[0010]图1是本发明基于采样差异作为扰动的自监督真实图像去噪方法的原理框图。其4[0017](1)提出并使用随机子样本生成(RandomSub_samplesGeneration,RSG)策略以的采样差异视为一种扰动；由这种思路的启发，本发明进一步采用RSG策略产生s2个子样5样(Pixel_shuffleDownsampling,PD)子样本的每个点在原始图像中具有固定al.Colorimagedenoisingviasparse3Dcollaborativefilteringwithgroupingconstraintinluminance_chrominancespace[C].IEEEInternationalConferenceon[0036]方法2：Chen等人提出的TNRD方法，参考文献“ChenY,PockT.Trainablenonlinearreactiondiffusion:Aflexibleframeworkforfastandeffectiveimagerestoration[J].IEEETransactionsonPatternAnalysisandMachine[0037]方法3：Guo等人提出的CBDNet方法，参考文献“GuoS,YanZ,ZhangK,etal.Towardconvolutionalblinddenoisingofrealphotographs[C].IEEEConferenceonComputerVisionandPatternRecPracticalgenerativenoisemodelingforreal_worlddenoising[C].IEEEInternationalConferenceonComput[0039]方法5：Neshatavar等人提出的CVF_SID方法，参考文献“NeshatavarR,YavartanooM,SonS,etal.CVF_SID:Cyclicmulti_variatefunctionforself_supervisedimagedenoisingbydisentanglingnoisefromimage[C].IEEEConferenceonComputerVisionandPatternRecogSelf_superviseddenoisingforreal_worldimagesviaasymmetricpdandblind_spotnetwork[C].IEEEConferenceonComputerVisionandPatternRecognition,6[0042]实验1，验证数据集采用SIDD数据集中的SIDD验证集和SIDDBenchmark作为比较用方法1到方法6和本发明进行去噪处理。其中主观评价标准为视觉效果，可以从图5中看[0048]图4及图5分别展示了SIDD和DND数据集中不同方法的去噪结果。可以明显的观察到本发明在这些图片中能够更加准确的去除78