Tom.notes();

Computer Scienceや読書のメモ

Noise2Noise: Learning Image Restoration without Clean Data

 

Paper(6000 words,ICML 2018)

news.developer.nvidia.com

 

f:id:tom0930:20180715170032p:plain

 

Video

www.youtube.com

 

Abstract

  • 信号復元に対して,基本的な統計的推論を機械学習によって適用する. 
  • 一般的な状況下では,元の標本を用いてトレーニングすることと同等もしくはそれに近いパフォーマンスで,元の信号を観測することなく信号を復元することを学習することは可能である.
  • 我々は,破損データのみを観察することで,写真のノイズ除去,合成モンテカルロ画像のノイズ除去,アンダーサンプリングされた入力からMRIスキャンの再構成への応用性を示す.

 

1. Introduction

  • CNNなどの回帰モデルを,破損した入力データx^_iとクリーンターゲットy_iの多数の組(x^_i, y_i)でトレーニングし,経験的なリスクを最小化する.

    f:id:tom0930:20180715175244p:plain

  • ここでf_θは,損失関数Lの下でのパラメトリックマッピング群である.
  • 表記x^を用いて,「破損入力データx^〜p(x^|y_i)は,クリーンターゲットに従って分布した確率変数である」という事実を強調する.

  • クリーンなトレーニングデータを取得するのは,しばしば困難で面倒である.
  • 本研究では,元の信号を観測することなく,破損データのみから信号の再構成を学習することが可能である.
  • 以下に示すように,我々の結論は,統計的な視点では自明ではないが,実際,クリーンデータの利用可能要件を引き上げることによって,信号復元の学習を大幅に容易にする

 

4. Discussion

 

3. Practical experiments

3.1 Additive Gaussian noise

3.2 Other synthetic noises

3.3 Monte Carlo rendering

3.4 Magnetic resonance imaging(MRI

 

2. Theoretical background