Apprentissage par transfert du débruitage de bruit synthétique vers le débruitage de bruit réel avec une normalisation d'instance adaptative

Le débruitage à partir de bruit réel constitue une tâche difficile, car les statistiques du bruit réel ne suivent pas une distribution normale et varient spatialement et temporellement. Afin de faire face à la diversité et à la complexité du bruit réel, nous proposons une architecture de débruitage généralisable et un schéma d’apprentissage par transfert. Plus précisément, nous utilisons une normalisation d’instance adaptative pour concevoir un débrouilleur, capable de régulariser les cartes de caractéristiques et d’éviter le surapprentissage du réseau sur l’ensemble d’entraînement. Nous introduisons également un schéma d’apprentissage par transfert qui transfère les connaissances acquises à partir de données bruitées synthétiques vers le débrouilleur de bruit réel. Grâce à ce schéma de transfert, le débrouilleur de bruit synthétique peut apprendre des caractéristiques générales à partir de diverses données bruitées synthétiques, tandis que le débrouilleur de bruit réel peut capturer les caractéristiques spécifiques du bruit réel à partir de données réelles. Les expériences montrent que la méthode de débruitage proposée possède une excellente capacité de généralisation : le réseau entraîné uniquement sur des données bruitées synthétiques atteint les meilleurs résultats sur le jeu de données Darmstadt Noise Dataset (DND) par rapport aux méthodes publiées. Nous observons également que le schéma d’apprentissage par transfert fonctionne de manière robuste sur des images bruitées réelles, même lorsqu’il est entraîné avec un très petit nombre d’exemples étiquetés.