Noise2Noise: Bildrestauration ohne saubere Daten

Wir wenden grundlegende statistische Überlegungen auf die Signalrekonstruktion durch maschinelles Lernen an – das Lernen, verfälschte Beobachtungen auf saubere Signale abzubilden – mit einem einfachen und mächtigen Schluss: Es ist möglich, Bilder zu restaurieren, indem man sich nur an verfälschten Beispielen orientiert, wobei die Leistung der Reinigung oft diejenige des Trainings mit sauberen Daten erreicht oder sogar übertreffen kann, ohne explizite Bildpriors oder Wahrscheinlichkeitsmodelle der Verfälschung zu verwenden. In der Praxis zeigen wir, dass ein einzelnes Modell in der Lage ist, fotografisches Rauschen zu entfernen, synthetische Monte-Carlo-Bilder zu entrauschen und unterabgetastete MRT-Aufnahmen zu rekonstruieren – alles durch verschiedene Prozesse verfälscht – basierend ausschließlich auf verrauschten Daten.