Tag · 4 篇

自监督去噪

TM-BSN: Triangular-Masked Blind-Spot Network for Real-World Self-Supervised Image Denoising

提出三角掩码卷积，在原始分辨率下构造菱形盲点以匹配去马赛克噪声的相关性几何，避免下采样带来的噪声统计改变和上下文损失；并用知识蒸馏将多个盲点预测集成到轻量U-Net，为真实图像自监督去噪提供了可复用的架构设计。

Next-Scale Prediction: A Self-Supervised Approach for Real-World Image Denoising

提出跨尺度训练对构建方式，将噪声去相关与细节保留解耦，可推广到其他自监督底层视觉任务（如去模糊、超分）中，避免像素洗牌下采样对结构的破坏。

LF-BVN: Blind-View Network for Self-Supervised Light Field Denoising

将盲点去噪原理从单图扩展到光场多视图，利用视角间噪声不相干性构造自监督信号，并引入几何不变性掩码与潜变量体一致性约束，为无干净数据的光场去噪提供了可复用框架。

Convexity-Aware Noise Calibration: A Self-Supervised Framework for Noise-Level-Unknown Image Denoising

把噪声水平估计转化为「去噪后方差随噪声水平变化」的单调关系，并用三分搜索加深度模型求解，可直接复用于盲去噪、真实噪声数据合成训练对以及任何需要估计未知噪声强度的复原流程。