摘要

真实世界图像去噪是计算机视觉领域一个长期存在但极具挑战性的任务。深度神经网络在去噪任务中的成功，推动了噪声生成研究的发展，其目标是合成更多高质量的干净-含噪图像对，以促进深度去噪模型的训练。本文提出了一种新颖的统一框架，能够同时处理图像去噪与噪声生成任务。与传统最大后验（MAP）框架仅推断在观测到含噪图像条件下潜在干净图像的后验分布不同，本文方法学习的是干净图像与含噪图像对的联合分布。具体而言，我们采用两种不同的因子分解形式来近似该联合分布，其可分别建模为：一个将含噪图像映射至干净图像的去噪器，以及一个将干净图像映射至含噪图像的生成器。所学习的联合分布隐式地包含了干净图像与含噪图像之间的全部关联信息，从而避免了传统方法中需人工设计图像先验和噪声假设的繁琐过程。此外，通过利用所学习的生成器对原始训练数据集进行增强，可进一步提升去噪器的性能。同时，本文还提出了两种评估生成含噪图像质量的新指标，据我们所知，这是该研究方向上首次提出的相关评价标准。大量实验结果表明，本文方法在真实场景下的图像去噪与噪声生成任务中，均显著优于现有最先进方法。项目训练与测试代码已开源，地址为：https://github.com/zsyOAOA/DANet。