【CVPR 2022】一个完全无监督的框架，从噪声和部分测量中学习图像，Robust Equivariant Imaging: a fully unsupervised framework for learning to image

【一个完全无监督的框架，从噪声和部分测量中学习图像】Robust Equivariant Imaging: a fully unsupervised framework for learning to image from noisy and partial measurements
● 论文摘要：深度网络在从医学成像到计算摄影的多重成像逆问题中提供了最先进的性能。然而，大多数现有的网络都是用干净的信号训练的，这通常很难或不可能获得。等变成像(EI)是一种最新的自我监督学习框架，它利用信号分布中的群体不变性，仅从部分测量数据学习重构函数。虽然EI的结果令人印象深刻，但它的性能随着噪声的增加而下降。在本文中，我们提出了一个鲁棒等变成像(REI)框架，它可以学习图像从噪声部分测量单独。该方法使用Stein’s Unbiased Risk Estimator (SURE)来获得对噪声具有鲁棒性的完全无监督训练损失。我们表明，REI在线性和非线性逆问题上带来了可观的性能增益，从而为深度网络的鲁棒无监督成像铺平了道路。
● 论文链接：https://arxiv.org/abs/2111.12855
● 论文代码：https://github.com/edongdongchen/rei
● 作者单位：爱丁堡大学