Generalisierte Recorrupted-to-Recorrupted: Selbstüberwachendes Lernen jenseits von Gaussischem Rauschen

Recorrupted-to-Recorrupted (R2R) ist als Methode zur selbstüberwachten Schärfung tiefer Netze für die Bildrekonstruktion aus rauschbehafteten Messdaten allein etabliert worden und hat sich im Fall von Gaußschem Rauschen als erwartungsgleich zur überwachten quadratischen Verlustfunktion erwiesen. Ihre Wirksamkeit bei nicht-gaußschem Rauschen bleibt jedoch unerforscht. In diesem Beitrag stellen wir Generalized R2R (GR2R) vor, eine Erweiterung des R2R-Frameworks, die eine breitere Klasse von Rauschverteilungen als additive Störungen – wie beispielsweise log-Rayleigh-Rauschen – sowie die natürliche Exponentialfamilie, einschließlich Poisson- und Gamma-Verteilungen, berücksichtigt. Diese Verteilungen spielen eine zentrale Rolle in zahlreichen Anwendungen, darunter Low-Photon-Imaging und Synthetic Aperture Radar. Wir zeigen, dass die GR2R-Verlustfunktion ein erwartungstreuer Schätzer des überwachten Verlusts ist und dass der weit verbreitete Stein’s Unbiased Risk Estimator (SURE) als Spezialfall enthalten ist. Eine Reihe von Experimenten mit Gaußschem, Poisson- und Gamma-Rauschen bestätigt die Leistungsfähigkeit von GR2R und demonstriert deren Überlegenheit gegenüber anderen selbstüberwachten Methoden.