Pytorch图像去噪实战（七）：Noise2Noise自监督图像去噪实战，没有干净图也能训练模型

Pytorch图像去噪实战（七）：Noise2Noise自监督图像去噪实战，没有干净图也能训练模型

一、问题场景：真实项目里根本没有干净图

前面几篇文章中，我们默认有 clean image，也就是干净图像。
训练数据通常是：

noisy -> clean

但在真实项目里，经常遇到一个很现实的问题：

我们只有带噪图片，没有对应的干净图片。

比如：

• 夜间监控图像
• 医学低剂量图像
• 老照片扫描图
• 工业相机采集图
• 用户上传的真实图片

这种情况下，如果没有 clean target，普通监督学习就很难训练。

一开始我也尝试过人工构造干净图，比如用传统滤波先处理一遍作为伪标签。
但效果很差，因为伪标签本身就模糊，会把模型带偏。

后来我采用了 Noise2Noise 的思路：

不需要干净图，只需要同一场景下两张不同噪声版本的图。

二、Noise2Noise的核心思想

传统监督去噪：