面向无监督去噪模型的高效采样方法.pdfVIP

医疗器械核心关键技术的研发

第14卷第2期集成技术Vol.14No.2

2025年3月JOURNALOFINTEGRATIONTECHNOLOGYMar.

2025

引文格式：

芮浩晖,

聂泽东,

曾光,

等.

面向无监督去噪模型的高效采样方法

[J].

集成技术,

2025,

14(2):

46-57.

Rui

HH,

Nie

ZD,

Zeng

G,

et

al.

Efficient

sampling

method

for

unsupervised

denoising

model

[J].

Journal

of

Integration

Technology,

2025,

14(2):

46-57.

面向无监督去噪模型的高效采样方法

1,2111*

芮浩晖聂泽东曾光秦文健

1(中国科学院深圳先进技术研究院深圳518055)

2(中国科学院大学北京100049)

摘要基于深度学习的图像去噪方法有效解决了传统去噪方法的烦琐调参和复杂噪声建模的问题。

然而，有监督学习的模型训练严重依赖干净-噪声图像对，这限制了此类模型的广泛使用。无监督学习

去噪模型仅需单噪声图像进行训练，但现有的无监督去噪方法仍存在网络训练效率与去噪性能难以兼

顾的问题。本文提出一种高效的图像去噪方法，提升了去噪模型训练的效率。具体来说，本文方法提

出了一种深度近邻下采样器，用于从同一张噪声图像中获取训练噪声模型的相似图像对。基于该采样

器的方法不仅满足了图像对像素相邻且外观相似的要求，而且深度近邻下采样舍弃了部分冗余信息，

避免了对噪声分布假设的严重依赖。最后，本文通过标准红绿蓝空间中具有不同噪声分布的合成实验

和真实图像实验验证了本文方法的有效性，实验结果表明：本文提出的采样策略有效平衡了训练效率

与去噪性能。

关键词图像去噪；无监督；下采样

中图分类号TP183；R319

文献标志码A

doi:

10.12146/j.issn.2095-3135.20241224001

CSTR:

32239.14.j.issn.2095-3135.20241224001

EfficientSamplingMethodforUnsupervisedDenoisingModel

1,2