TBSN: 基于 Transformer 的自监督图像降噪的盲点网络
内容提要
本文介绍了一种新颖的自我相似注意力机制（SS-Attention），并将其应用于自我监督图像去噪任务，实验证明在多个数据集上优于现有方法。此外，提出了多掩膜策略（MM-BSN）和有条件盲点网络（C-BSN），在去噪性能上取得了显著进展。
延伸解读
自监督去噪的技术演进
文章梳理了自监督图像去噪的发展脉络：从2020年基于扩张卷积的盲点网络，到2022年Asymmetric PD解决空间相关噪声，再到2023年SS-Attention、MM-BSN、C-BSN等改进。这些工作逐步提升去噪性能，并在SIDD、DND等基准上验证。读者可从中了解该领域从基础架构到注意力机制、多掩膜策略的演进路径。
盲点网络的信息丢失与应对
盲点网络通过掩盖部分像素实现自监督，但会导致信息丢失。文章提到Blind2Unblind方法采用全局感知掩模映射器和可重视损失来克服这一问题，而LG-BPN则引入全局依赖建模，利用局部细节恢复的空间相关统计。这些方案表明，在保持盲点特性的同时，如何补偿丢失信息是提升性能的关键。
实际应用中的噪声挑战
真实图像噪声往往具有空间相关性，传统方法依赖外部噪声参数。Asymmetric PD无需外部参数即可处理此类噪声，C-BSN采用随机子采样器进行空间去相关降噪，MM-BSN则针对大噪声场景。这些方法在SIDD、DND等真实数据集上取得最优效果，说明自监督去噪正朝着更实用、更鲁棒的方向发展。
Q&A
自我相似注意力机制（SS-Attention）有什么特点？
自我相似注意力机制（SS-Attention）是一种新颖的机制，集成到自我相似的盲点网络（SS-BSN）中，用于自我监督图像去噪任务，表现优于现有方法。
多掩膜策略（MM-BSN）如何改善图像去噪效果？
多掩膜策略（MM-BSN）结合多种掩码策略，专门解决大噪声去噪问题，实验结果显示其在sRGB图像去噪方面表现良好。
有条件盲点网络（C-BSN）是如何工作的？
有条件盲点网络（C-BSN）采用随机子采样器进行空间去相关降噪，在实际数据集上实现了最先进的去噪性能。
LG-BPN方法的创新点是什么？
LG-BPN方法通过考虑局部细节恢复的空间相关统计，结合全局依赖性建模能力，全面利用盲方法中的详细结构和全局交互。
自监督盲点网络（BSN）在去噪方面的优势是什么？
自监督盲点网络（BSN）方法Asymmetric PD能够在自监督情况下对现实世界图像进行去噪处理，达到了当前最优的去噪效果。
本文讨论了自监督图像去噪方法的哪些局限性？
文章分析了自监督图像去噪方法的最新进展，并讨论了这些方法的局限性及未来研究方向。
