Dénouage vidéo profond non supervisé

Les réseaux de neurones convolutifs profonds (CNN) pour le débruitage vidéo sont généralement entraînés de manière supervisée, sous l'hypothèse de la disponibilité de vidéos sans bruit. Toutefois, dans de nombreuses applications, telles que la microscopie, les vidéos sans bruit ne sont pas accessibles. Pour remédier à ce problème, nous proposons un débruiteur vidéo profond non supervisé (UDVD), une architecture CNN conçue pour être entraînée exclusivement à partir de données bruitées. La performance de l'UDVD est comparable à celle des méthodes de pointe supervisées, même lorsqu'elle est entraînée sur une seule vidéo bruitée courte. Nous démontrons le potentiel de notre approche dans des applications réelles d'imagerie en débruitant des vidéos brutes, des données de microscopie à fluorescence et des données de microscopie électronique. Contrairement à de nombreuses approches actuelles de débruitage vidéo, l'UDVD n'exige pas de compensation explicite du mouvement. Cela constitue un avantage significatif, car la compensation du mouvement est coûteuse en termes de calcul et peut s'avérer peu fiable lorsque les données d'entrée sont bruitées. Une analyse basée sur le gradient révèle que l'UDVD s'adapte automatiquement au mouvement local présent dans les vidéos bruitées d'entrée. Ainsi, le réseau apprend à réaliser une compensation du mouvement implicite, bien qu'il n'ait été entraîné qu'au débruitage.