Transfer Learning from Synthetic to Real-Noise Denoising with Adaptive Instance Normalization
之前的有些想法模块与本文撞车了。
数据：
训练集：
- 高斯去噪模型的数据：For the Gaussian denoiser, the training images are obtained from DIV2K [43] and BSD400 [36], and noisy image is generated by AWGN model.
- SN 生成噪声数据：We achieve pairs of SN images and noise-free images from Waterloo dataset [34] with heteroscedastic Gaussian noise model and simulating in-camera pipelines.
- RN 真实噪声数据：trained with SIDD training set.
Method:
基于CBDNet，采用了noise level的预测形式，在UNet上加入了adaptive instance normalization 模块，模块的输入是noise level进行 $\gamma; \beta$ 的预测。AIN细节如下：
train noise level estimator + SN的时候，使用的是俩个loss
$\hat{\sigma}_i(y_s)$ 是噪声图的noise level， $\sigma_i(y_s)$ 是干净图的。
train RN 的时候 (transfer learning)只使用了L1 loss。
Pipeline：
文章主要测试了模型在：AWGN，真实噪声上的效果。对于高斯去噪，train在高斯噪声模型生成的数据上。对于真实噪声文章采用了transfer learning 的方法，在生成数据上先训练，然后固定noise level estimator, SN 的Conv Layers，只训练AIN模块。