摘要
盲图像去噪是计算机视觉中的一个重要而极具挑战性的问题，这是由于真实图像的获取过程非常复杂。在本研究中，我们提出了一种新的变分推断方法，该方法将噪声估计和图像去噪整合到一个统一的贝叶斯框架中，用于盲图像去噪。具体而言，通过将内在的干净图像和噪声方差作为潜在变量，并以输入的噪声图像为条件，我们提出了一个由深度神经网络参数化的近似后验分布。这个后验分布为其所有涉及的超参数提供了明确的参数形式，因此可以轻松地应用于测试噪声图像的盲图像去噪，并自动进行噪声估计。一方面，与其他数据驱动的深度学习方法一样，我们的方法——即变分去噪网络（VDN）——由于其后验表达式的明确形式，可以高效地执行去噪任务。另一方面，VDN继承了传统模型驱动方法的优势，特别是生成模型的良好泛化能力。VDN具有良好的可解释性，并且可以灵活地用于估计和去除实际场景中收集到的复杂非独立同分布（non-i.i.d.）噪声。为了验证我们方法在盲图像去噪方面的优越性，进行了全面的实验。