Réseau adversaire dual : Vers une suppression et une génération de bruit réalistes dans le monde réel

Le traitement du bruit dans les images réelles constitue une tâche ancienne mais extrêmement difficile en vision par ordinateur. Le succès des réseaux neuronaux profonds dans la suppression du bruit a stimulé la recherche sur la génération de bruit, visant à synthétiser des paires d’images propres et bruitées afin de faciliter l’entraînement des dénoiseurs profonds. Dans ce travail, nous proposons un cadre unifié novateur permettant de traiter simultanément les tâches de suppression du bruit et de génération de bruit. Contrairement au cadre classique MAP, qui ne consiste qu’à estimer la distribution a posteriori de l’image propre latente conditionnellement à l’image bruitée observée, notre méthode apprend la distribution conjointe des paires image propre/image bruitée. Plus précisément, nous approximons cette distribution conjointe à l’aide de deux formes factorisées différentes, pouvant être formulées comme une application de débruitage (cartographiant l’image bruitée vers l’image propre) et une générateur (cartographiant l’image propre vers l’image bruitée). La distribution conjointe apprise contient implicitement toutes les informations liées entre les images bruitées et propres, évitant ainsi la nécessité de concevoir manuellement des priori d’image ou des hypothèses sur le bruit, comme dans les approches classiques. En outre, la performance de notre dénoiseur peut être améliorée en enrichissant le jeu de données d’entraînement original à l’aide du générateur appris. Par ailleurs, nous proposons deux métriques pour évaluer la qualité des images bruitées générées, dont, à notre connaissance, ce sont les premières à être introduites dans cette ligne de recherche. Des expériences étendues ont été menées pour démontrer l’avantage de notre méthode par rapport aux états de l’art, tant dans la suppression du bruit réel que dans la génération de bruit. Le code d’entraînement et de test est disponible à l’adresse suivante : https://github.com/zsyOAOA/DANet.