摘要
得益于显著的性能提升，深度学习范式已成为现代图像去噪器的标准工具。尽管现有方法在已见噪声分布上展现出优异性能，但在面对未见过的噪声类型或通用真实噪声时，其泛化能力往往受限。这一现象可以理解：现有模型通常被设计为学习噪声图像与干净图像之间的成对映射关系。本文提出一种新思路，基于一个直观假设——同一干净图像的不同受损版本共享一个共同的潜在空间。为此，我们提出一种自监督学习框架，在不依赖潜在干净图像的前提下实现该目标。所提出的多视角自监督解耦方法（Multi-view Self-supervised Disentanglement, MeD）通过输入同一图像的两个不同噪声版本，学习将潜在的干净特征从噪声中解耦出来，并据此恢复出干净图像。在合成噪声与真实噪声上的大量实验表明，所提方法在各类噪声场景下均优于以往自监督去噪方法，尤其在未见过的新颖噪声类型上表现更为突出。在真实噪声数据上，该方法甚至超越了部分监督学习的先进方法，性能提升超过3 dB。