本文所涉及所有资源均在传知代码平台可获取
目录
概述
随着深度学习的发展，各种图像去噪方法的性能不断提升。然而，目前的工作大多需要高昂的计算成本或对噪声模型的假设。为解决这个问题，该论文提出了一种自监督学习方法。该方法使用一个简单的两层卷积神经网络和噪声到噪声损失（Noise to Noise Loss），在只使用一张测试图像作为训练样本的情况下，实现了低成本高质量的图像去噪，本文复现一篇 论文 相关内容，该论文提出的方法主要包含三个部分：成对下采样、残差损失、一致性损失。
该成对下采样器将原始图像下采样为长宽只有原先一半的子图。具体地，其通过将图像分割为大小为 2 × 2 的非重叠补丁，并将每个补丁的对角线像素取平均值并分配给第一个子图，然后将反对角线像素取平均值并分配给第二个子图像。该成对下采样器的示意图如下所示：
在非自监督的情况下，损失函数一般采用噪声图像与干净图像之间平方差的形式：
在自监督的情况下，没有干净图像作为训练目标，则可以将两张噪声图像子图互为训练目标，即噪声到噪声损失：
基于噪声独立性假设，可以证明这两种损失的期望值相同。
考虑到残差损失只使用了噪声图像子图训练模型，而测试时需要整张噪声图像作为输入，为了使网络对子图的噪声估计与对原图的噪声估计保持一致，作者还引入了一个一致性损失函数：
总的损失如下所示：
演示效果
进入工作目录。如果是Linux系统，请使用如下命令：
unzip Image_Denoising.zip
cd Image_Denoising代码的运行环境可通过如下命令进行配置：
pip install -r requirements.txt如果希望在本地运行程序，请运行如下命令：
python main.py如果希望在线部署，请运行如下命令：
python main-flask.py如果希望使用自己的文件路径或改动其他实验设置，请在文件config.json中修改对应参数。以下是参数含义对照表：
配置环境并运行main.py脚本，效果如下：
核心代码
这段代码实现了一个用于图像去噪的神经网络模型的训练过程，主要包括以下几个部分：
这些部分共同构成了图像去噪神经网络模型的训练流程，代码如下：
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
def diag_sample(image):
'''下采样函数，输入图像，输出两张长宽只有原先一半的子图'''
# 分割成2x2的补丁
height = int(image.shape[2] / 2)
width = int(image.shape[3] / 2)
image_patch = image[:, :, 0: height * 2, 0: width * 2].view(image.shape[0], image.shape[1], height, 2, width, 2).permute(0, 1, 2, 4, 3, 5)
# 对角线元素取平均作为第一个子图
image_sub1 = (image_patch[:, :, :, :, 0, 0] +image_patch[:, :, :, :, 1, 1]) / 2
# 反对角线元素取平均作为第二个子图
image_sub2 = (image_patch[:, :, :, :, 0, 1] +image_patch[:, :, :, :, 1, 0]) / 2
return image_sub1, image_sub2
class NoisePredictor(nn.Module):
'''噪声估计网络，输入图像，输出估计的图像噪声'''
def __init__(self, channels=3):
super(NoisePredictor, self).__init__()
self.net = nn.Sequential(
nn.Conv2d(channels, 52, 3, padding=1),
nn.LeakyReLU(negative_slope=0.2, inplace=True),
nn.Conv2d(52, 52, 3, padding = 1),
nn.LeakyReLU(negative_slope=0.2, inplace=True),
nn.Conv2d(52, channels, 1)
)
def forward(self, x):
return self.net(x)
def train_once(image_noise, model, optimizer):
'''对模型进行一轮训练'''
# 用于计算差方和
mse_loss = nn.MSELoss(reduction='sum')
model.train()
optimizer.zero_grad()
# 生成噪声的子图
image_noise_s1, image_noise_s2 = diag_sample(image_noise)
# 估计噪声图像子图的干净图像
image_s1_clean = image_noise_s1 - model(image_noise_s1)
image_s2_clean = image_noise_s2 - model(image_noise_s2)
# 估计噪声图像的干净图像
image_clean = image_noise - model(image_noise)
# 生成噪声图像的干净图像的子图
image_clean_s1, image_clean_s2 = diag_sample(image_clean)
# 残差损失
loss_res = (mse_loss(image_s1_clean, image_noise_s2) + mse_loss(image_s2_clean, image_noise_s1)) / 2
# 一致性损失
loss_con = (mse_loss(image_s1_clean, image_clean_s1) + mse_loss(image_s2_clean, image_clean_s2)) / 2
# 总损失
loss = loss_res + loss_con
# 梯度反向传播
loss.backward()
# 更新模型参数
optimizer.step()
def add_noise(image, degree):
'''输入图像和噪声程度(0~1),输出加入噪声的图像'''
noise = np.random.normal(0, degree, image.shape)
noisy_image = np.clip(image + noise, 0, 1)
return noisy_image写在最后
在探索自监督高效图像去噪的旅程中，我们见证了技术的飞速进步与无限潜力。通过深度学习技术的赋能，自监督学习在图像去噪领域展现出了卓越的成效。这种方法不仅避免了大量标记数据的依赖，还通过内部生成的信息进行训练，大幅提高了模型的学习效率和泛化能力，随着技术的不断发展和优化，我们有理由相信自监督高效图像去噪将在更多领域展现出其独特的价值。我们期待看到更多创新性的研究和应用，让这项技术为人类社会带来更多的福祉和进步。在这个充满挑战和机遇的时代，让我们共同期待并见证这一技术的美好未来。
详细复现过程的项目源码、数据和预训练好的模型可从该文章下方附件获取。