使用频域知识进行无监督图像去噪的 Pytorch 实现

基于监督学习的方法产生稳健的去噪结果，但它们本质上受到对大规模干净/嘈杂配对数据集的需求的限制。另一方面，使用无监督降噪器需要更详细地了解底层图像统计数据。特别是，众所周知，干净图像和噪声图像之间的明显差异在高频带上最为突出，这证明了使用低通滤波器作为传统图像预处理步骤的一部分是合理的。然而，大多数基于学习的去噪方法仅利用来自空间域的单方面信息，而不考虑频域信息。为了解决这个限制，在这项研究中，我们提出了一种频率敏感的无监督去噪方法。为此，使用生成对抗网络（GAN）作为基础结构。随后，我们包括频谱鉴别器和频率重建损失，以将频率知识转移到生成器中。使用自然和合成数据集的结果表明，我们用频率信息增强的无监督学习方法实现了最先进的去噪性能，这表明频域信息可能是提高基于无监督学习的方法的整体性能的一个可行因素