其他数据集的训练问题

[hwztable]

您好： 目前我在寻找一种处理真实噪声的网络模型。您预训练的模型十分适用于我的数据集（医疗方向），去噪效果比较优异，但也有low-level上的细节损失，所以我想根据您分享的matlab训练代码用于我的数据集中。 拜读过您的论文以后我有几个问题想了解： 1)论文里您提到噪声估计网络中需要输入noisy observation y来产生noise level map σ_hat(y)，我是否可以理解为：noisy observation y = 带有真实噪声的原图，noisy level map σ_hat(y)是噪声的分布？ 2)基于问题1)，CNN_D把CNN_E的输出作为输入，最终输出为去噪图像，那么整个CNN_D+CNN_E是不需要训练集的清晰图像？

[GuoShi28]

1) noisy level map σ_hat(y)是噪声的水平，对于高斯，就是方差。这篇论文是pixel-wise的，每个像素的方差不相同。不过应该不是噪声分布在哪里的意思。 2）这个问题我没有完全理解，应该是需要GT才能训练的。

[hwztable]

感谢您的回复，不好意思没有把问题2说清楚；

就是说，我现有一份noisy images，但没有它对应的ground truth clean images ；那么是否需要先对noisy images进行去噪(假如使用BM3D)，得出rough clean images，把它作为ground truth，才符合训练要求。如果这样做，会不会只是拟合rough denoise的效果(也就是BM3D的去噪效果)。

[hwztable]

还有一个想探讨的点是： 上图为噪声原图，血管下的肉质粉色略微偏白 而使用您预训练的模型进行去噪以后，肉质丢失了粉色的low-level特征，我猜想应该是噪声估计子网络把这部分特征当作了噪声处理，想听听您的意见。 谢谢！

[GuoShi28]

我猜想可能是以下原因：（1）目前CBDNet的噪声模型相对简单，而且是针对相机成像的，在医学成像领域，噪声的建模是否有更好的方式，这个我不太了解。建议建模上，可以细化下。（2）噪声水平的估计不准，我的经验，用小网络只能很粗糙的估计噪声水平。（3）网络的backbone，我简单的使用UNet，发现有些地方有些过平滑。（4）这个有点像偏色的问题，建议使用类似医学的图像专门训练网络。我使用的是常用的训练集，主要是风景和人之类的，于医学图像的先验分布差别较大。

[hwztable]

十分感谢您的建议！我尝试过很多别的模型，基本都是在高斯噪声的基础上进行去噪的，效果远不如CBDNet的表现好。 您的工作中考虑了真实噪声、相机噪声的建模与噪声合成，这些方面都非常贴合于工业界的去噪要求，真的很棒！再次感谢您的回复。