摘要
真实噪声去噪是一项具有挑战性的任务，因为真实噪声的统计特性通常不符合正态分布，且在空间和时间上均呈现动态变化。为应对复杂多变的真实噪声，本文提出了一种具有良好泛化能力的去噪网络架构及一种迁移学习策略。具体而言，我们采用自适应实例归一化（adaptive instance normalization）构建去噪器，该方法能够对特征图进行有效正则化，防止网络在训练过程中过度拟合训练数据集。此外，我们引入了一种迁移学习机制，将从合成噪声数据中学习到的知识迁移至真实噪声去噪器中。通过该迁移学习策略，合成噪声去噪器可从多种合成噪声数据中学习到通用特征，而真实噪声去噪器则能从真实数据中捕捉真实噪声的固有特性。实验结果表明，所提出的去噪方法具有优异的泛化能力：仅使用合成噪声数据训练的网络，在Darmstadt噪声数据集（DND）上的性能优于已有文献中报道的各类方法。同时，实验还验证了所提出的迁移学习方案在真实噪声图像去噪任务中的鲁棒性，即使在仅使用极少量标注数据的情况下，仍能取得良好效果。