论文阅读：Blind2Unblind（2022-CVPR）

题目： Blind2Unblind: Self-Supervised Image Denoising with Visible Blind Spots（CVPR-2022）

paper: https://arxiv.org/abs/2203.06967

code: https://github.com/demonsjin/Blind2Unblind

论文的动机：基于盲点驱动的去噪网络，在输入或网络传输中会遭受到很大的信息损失，缺少这些有价值的信息会显著降低网络的去噪性能。因此需要设计一种模型用来克服盲点驱动的去噪方法中的信息损失。

论文的主要思想：增加一路分支，引入非盲点去噪，从原始噪声图像中学习用来提高盲点网络的去噪性能。

整体网络：

创新点：

       1) 全局感知掩码映射器:

手动掩码方法隐藏了用于训练的部分像素，而目标函数只关注被掩码的区域，导致精度降低和收敛速度慢。全局掩码：将每个有噪声的图像划分为块，并将每个块中的特定像素设置为盲点，这样可以获得一个全局掩码作为输入。然后，带有全局掩码的一批图像传输到去噪网络中。全局映射器在盲点处采样去噪结果，并将它们投影到同一平面上生成去噪图像。该操作加快了训练速度，实现了全局优化，并允许应用可见损失。

　　2) 基于可见损失的无盲点训练策略:

使用盲点结构进行自监督去噪，然后使用所有信息来提高其性能。纯可见损失仅使用一个可反向传播的变量来优化盲项和可见项，会导致训练不稳定。因此，引入了一个正则项来约束盲项并稳定训练过程。正则化后的可见损失如下：

可改进的地方：换用更复杂的Dehaze Noise network。