Paper | Model-blind video denoising via frame-to-frame training
Model-blind video denoising via frame-to-frame training
发表在2019年CVPR。
核心内容：基于Noise2Noise思想，这篇文章致力于无监督的视频盲去噪：是的，连噪声样本都不需要了。
这篇文章写作和概括太棒了！它的Introduction非常值得回味！它对去噪相关工作的概述、对本文启发工作的简述、对本文工作的概述都非常流畅。
故事
-
我们拥有的“干净”图像，往往不是干净的。理想的干净图像是从成像传感器上获取的，然而我们看到的图像还经过了相机内部的处理流程。该过程包含量化、去马赛克、伽马校正、压缩等。
-
因此，如果要对视频去噪，最好能知道有噪视频的生成过程，即所谓的model of processing chain。
-
然而，该model通常是未知且难以建模的，并且这些噪声通常是与信号相关的（signal-dependent）。
-
为此，本文作者提出了model-blind的逐帧去噪方法。
-
为了达到较好的无监督学习性能，该网络是从预训练的DnCNN上fine-tune的。
-
作者还提出了两种训练模式：on-line和off-line。在on-line模型下，该网络会根据输入视频的前几帧进行fine-tune；在off-line模式下，则可以用一批视频进行训练，效果更好。
-
本文受到了Noise2Noise思想和one-shot object video segmentation训练方法的启发。在one-shot中，作者借助一个预训练的分割网络，在第一帧中标注目标并fine-tune，以完成视频其余帧的分割任务；在Noise2Noise中，训练目标是最小化 同一张图像的两个有噪版本 之间的差异。本文类似于one-shot的去噪版本，且无需任何干净图像：将视频的相邻帧作为训练目标。
引述本文的一句话：
In this work we show that, for certain kinds of noise, in the context of video denoising one video is enough: a network can be trained from a single noisy video by considering the video itself as a dataset.
本文方法
流程
刚刚说了，我们需要从一个预训练的去噪网络出发。这是因为我们的训练集很小（线上模式只有该视频的几帧）。这也是借鉴one-shot的。
此外，我们假设视频中的相邻帧是同一自然图像的两种有噪分布。但它们仍然存在微小的运动误差。为此，我们采用TV-L1光流[46,37]。该运动补偿方法非常快。补偿后采用双线性插值。显然这里有两点假设：
-
相邻帧的噪声分布独立；
-
运动补偿后的帧 与 参考帧 的 潜在干净图像 是一致的。
还有，我们还考虑了遮挡，建立了一个遮挡膜（occlusion mask）。我们采用了[4]的简单方法：当光流散度较大时，我们就认为出现了遮挡情况，该点遮挡膜值为1，否则为0。
最后，我们计算损失时，出现遮挡的就不计入计算。即损失等于原损失乘以遮挡膜。
作者采用的是\(L_1\)损失。首先声明，选择损失函数要根据噪声的特性。但在噪声属性未知或复杂的情况下，最直接的办法就是：逐个实验，选其最佳。作者选择\(L_1\)，是因为其表现比\(L_2\)更好[50]，并且能处理包含泊松、JPEG压缩、低频等噪声。
训练
在线下训练时，我们会对整个视频进行迭代。训练目标是\(L_1\)损失，迭代若干次。
在线上训练时，我们逐帧训练。随着视频播放，迭代帧数会越来越多。这有点契合了life-long learning[47]的思想。
注意，我们还可以换反方向进行运动补偿，从而获得了双倍的训练数据用于迭代。
实验
实验采用的预训练网络，是在标准差25的AWGN下训练的DnCNN。
本文可能是第一篇视频盲去噪工作。因此，作者与Noise clinic、VBM3D和DnCNN进行了对比。
如图，首先探究的是在标准差为25的AWGN下的表现。此时DnCNN表现正常，本文方法无论何种模式，都与DnCNN不相上下。
其次，我们探究在标准差为50的AWGN下的表现。此时，DnCNN表现辣眼睛，而本文方法通过fine-tune逐渐地趋于优秀。
此外，我们还探究了其他噪声：混合高斯、相关、椒盐、JPEG噪声等。效果如图，盲去噪真香！
两种模式主要差异：线下模式会更稳定，方差更小。
此外还有一个发现：本文方法和DnCNN一样，都会趋于过度平滑。如果将预训练网络换成其他更保真的视频去噪方法，可能会改善这个问题。
