قد حققت طرق تنقية الصور المستندة إلى التعلم التمييزي أداءً واعداً في التعامل مع الضوضاء الاصطناعية مثل الضوضاء البيضاء الغاوسية المضافة (AWGN). ومع ذلك، فإن معظم الضوضاء الحقيقية تكون مرتبطةatially/channel-correlated ومتنوعة spatially/channel-variant، بينما تكون الضوضاء الاصطناعية المستخدمة في معظم الأعمال السابقة مستقلة البكسل. هذا الفجوة بين المجالين تؤدي إلى أداء غير راضٍ على الصور التي تحتوي على ضوضاء حقيقية إذا تم تدريب النموذج فقط باستخدام AWGN. في هذه الورقة البحثية، نقترح منهجًا جديدًا لتعزيز أداء تنقية الصور الحقيقية التي يتم تدريبها فقط باستخدام بيانات ضوضاء بكسل مستقلة مهيمن عليها AWGN. أولاً، نقوم بتدريب نموذج عميق يتألف من مقدر للضوضاء وتنقيح للضوضاء باستخدام خليط من AWGN والضوضاء النبضية العشوائية (RVIN). ثم ندرس استراتيجية التخفيض عبر إعادة ترتيب البكسل (PD) لتكييف النموذج المدرب مع الضوضاء الحقيقية. تُظهر التجارب الواسعة فعالية ومنهجية الطريقة المقترحة. وبشكل ملحوظ، فإن طريقة عملنا تحقق أفضل الأداء على الصور الحقيقية sRGB في معيار DND بين النماذج التي تم تدريبها باستخدام الضوضاء الاصطناعية. يمكن الوصول إلى الكود في https://github.com/yzhouas/PD-Denoising-pytorch.请注意，"atially/channel-correlated" 和 "channel-variant" 在上文中的翻译可能需要根据上下文进一步调整。在这里，我将其翻译为“空间/通道相关”和“空间/通道变化”。如果这些术语在特定领域有更准确的翻译，请告知我以便进行修正。