Noisy-As-Clean: Learning Unsupervised Denoising from Corrupted Image
- 文章通过简单的推导，得出，用已有噪声图片和已有噪声图片加噪这样的图片对进行训练的模型，也能对已有噪声图片进行denoising，只要加的噪声和已有的噪声都很小并且均值方差一样
Noise2Noise: Learning Image Restoration without Clean Data
- 这是ICML2018的文章
- 用noisy的图片也可以用来作为监督，因为噪声的期望是0，所以训练过程中多个加noise的图片的均值为clean image，所以训练过程中见到的多个具有不同noise的图片会使得网络收敛到预测值为其期望，也即clean image。
- 注意到这里的input和output是对同一张图片分别加噪声的结果，因此其signal是一样的而噪声是不一样的，如果不这么做会导致网络直接复制input进行输出。
Noise2Void - Learning Denoising from Single Noisy Images
- 这是CVPR2019的文章
- 其实是follow Noise2Noise的方法，它希望从另一个方法来避免网络直接复制input进行输出而不采取Noise2Noise的对同一张图片加不同噪声的想法。它选择对网络动手，把卷积核感受野的中心像素mask掉，这样的话，网络就得根据周围的像素预测出当前像素值。这个想法是基于这样的假设：噪声是具有空间上的独立性，而信号具有空间上的依赖性，因此根据周围信号预测出当前信号是可能的，但预测出当前噪声是不可能的。通过这个方法设计的网络本文称之为 blind-spot
Self2Self With Dropout: Learning Self-Supervised Denoising From Single Image
- 这是CVPR2020的文章。文章利用对同一张noisy图片的多次伯努利采样（也即drop-out）得到多个版本的图片，从而利用这些图片进行自监督的训练过程。
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images
- 这是CVPR2021的文章，其实也是一篇follow Noise2Noise的方法。
- 文章从一张图片中，采样两个patch，这两个patch是前一个patch向某个方向位移一个像素生成的，可以认为两个patch的clean reference是一样的，而有着独立的噪声。用这样的patch 对 来训练有监督的去噪模型，其实就是Noise2Noise的泛化，原先Noise2Noise的噪声是合成的，而这里可以用真实的噪声图片获取多张具有不同噪声的图片
|