Apprentissage auto-supervisé au-delà du bruit gaussien : Recorruption généralisée vers recorruption

Le cadre de formation Recorrupted-to-Recorrupted (R2R) s’est établi comme une méthode pour entraîner des réseaux profonds en restauration d’images de manière auto-supervisée à partir uniquement de données bruitées, démontrant une équivalence en espérance avec la perte quadratique supervisée dans le cas de bruit gaussien. Toutefois, son efficacité en présence de bruits non gaussiens reste inexplorée. Dans cet article, nous proposons une extension du cadre R2R, appelée GR2R (Generalized R2R), permettant de traiter une classe plus large de distributions de bruit additif, telles que le bruit log-Rayleigh, ainsi que les distributions appartenant à la famille exponentielle naturelle, incluant notamment le bruit de Poisson et le bruit Gamma, qui jouent un rôle central dans de nombreuses applications telles que l’imagerie à faible photon et la radar à ouverture synthétique. Nous démontrons que la perte GR2R constitue un estimateur sans biais de la perte supervisée, et que l’estimateur populaire de Stein du risque sans biais peut être vu comme un cas particulier. Des expériences systématiques menées sur des données bruitées selon des lois gaussiennes, de Poisson et Gamma valident les performances du GR2R, mettant en évidence son efficacité par rapport à d’autres méthodes auto-supervisées.