研究提出从噪声观测中学习干净图像生成过程的方法
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文研究仅用带噪观测学习干净图像的生成模型。作者指出，扩散过程及非高斯噪声推广需要在每个噪声水平上做后验预测。他们先用 Noise2Noise 回归从独立噪声视图学习这些预测，但只能在训练数据噪声水平及以上奏效。为学到该水平以下的预测以生成干净图像，他们引入一致性约束：预测应等于继续采样后的期望。作者推导了一致性唯一确定向干净图像分布延续的条件，并在泊松、二项、Gamma 与负二项测量上验证。CIFAR-10、光子计数显微与合成孔径雷达实验显示，所需后验预测可仅从噪声视图学到，一致性关系修复了超出数据噪声水平的延续，而缺少一致性时该延续严重退化。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题设定
论文关注的是：只有带噪观测、没有干净图像作为参考时，如何学到一个能生成干净图像的生成模型。作者指出，扩散过程以及向非高斯噪声的推广，都要求在每一个噪声水平上给出后验预测。这构成了方法设计的核心难点：噪声水平越低，可用的监督信号越少。
Noise2Noise 的局限
作者首先说明，可以用 Noise2Noise 回归从相互独立的噪声视图中学到这些后验预测，但适用范围受限，只在训练数据的噪声水平及以上成立。要生成干净图像，必须获得低于该水平的预测，而这部分无法直接由上述回归得到，因此需要额外的约束来补足。
一致性约束与验证
为填补低噪声水平的预测，作者施加一致性要求：一个预测应当等于继续采样过程之后的期望。论文推导了一致性能够唯一确定向干净图像分布延续的条件，并针对泊松、二项、Gamma 和负二项这几类测量分布逐一验证了这些条件成立。
实验结果
在 CIFAR-10、光子计数显微成像和合成孔径雷达三类场景上，实验表明所需的后验预测可以仅凭噪声视图学到；一致性关系能够修复超出数据噪声水平之外的延续过程，而一旦去掉一致性，这一段的延续会出现严重退化。这说明约束项对低噪声区间的生成质量起关键作用。
为什么值得看
为无干净参考数据的成像场景提供可验证的生成建模思路，涉及扩散模型在非高斯噪声下的扩展。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。