Noise2Noise : Apprentissage de la restauration d'images sans données propres

Nous appliquons des raisonnements statistiques de base à la reconstruction de signaux par apprentissage automatique -- l'apprentissage d'une correspondance entre des observations corrompues et des signaux propres -- avec une conclusion simple et puissante : il est possible d'apprendre à restaurer des images en ne regardant que des exemples corrompus, avec des performances équivalentes et parfois supérieures à celles obtenues lors de l'entraînement sur des données propres, sans modèles explicites de priorités d'image ou de vraisemblance de la corruption. En pratique, nous montrons qu'un seul modèle apprend le retrait du bruit photographique, le débruitage d'images Monte Carlo synthétiques, et la reconstruction d'IRM sous-échantillonnées -- toutes corrompues par différents processus -- uniquement sur la base de données bruyantes.