Denoising de imágenes ciego con modelado de ruido basado en redes adversariales generativas

En este documento, consideramos un problema típico de denoising de imágenes ciego, que consiste en eliminar ruido desconocido de imágenes ruidosas. Como todos sabemos, los métodos basados en el aprendizaje discriminativo, como DnCNN, pueden lograr resultados de denoising de vanguardia, pero no son aplicables a este problema debido a la falta de datos de entrenamiento emparejados. Para superar esta barrera, proponemos un novedoso marco de dos pasos. Primero, se entrena una Red Adversarial Generativa (GAN) para estimar la distribución de ruido sobre las imágenes ruidosas de entrada y generar muestras de ruido. En segundo lugar, los parches de ruido muestreados del primer paso se utilizan para construir un conjunto de datos de entrenamiento emparejado, que se utiliza, a su vez, para entrenar una Red Neuronal Convolucional profunda (CNN) para el denoising. Se han realizado extensos experimentos para demostrar la superioridad de nuestro enfoque en el denoising de imágenes ciego.