论文阅读：CVF-SID（2022-CVPR）
paper: https://arxiv.org/pdf/2203.13009
code: https://github.com/Reyhanehne/CVF-SID_PyTorch
动机：
在合成噪声图像上学习的去噪模型不能很好的应用在真实场景下，因为真实噪声分布不同于合成AWGN。
难题：
真实有噪声-干净图像对难以获得；模型的鲁棒性不高，仅能在特定的数据集上进行工作；一些方法依赖于假设特定分布。
目标：
采用新颖的自监督框架克服成对图像的不足，并在真实世界取得好的去噪性能。
设计：
提出了一种新的循环多变量函数（CVF），它将其输入分解为多个子分量，并将其输出的组合重新作为输入。利用CVF设计了用于sRGB图像去噪的自监督图像去噪模型（CVF-SID）。在各种自监督训练目标下，CVF-SID可以学习从给定的噪声sRGB输入中分离无噪声图像、信号相关和信号无关噪声。此外，提出自监督数据增强策略，以有效地增加训练样本的数量。
创新：
1）基于循环多变量函数（CVF）的新型自监督图像去噪方法。CVF-SID将给定的真实世界噪声输入分解为干净的图像、信号相关的和信号无关的噪声。
2）对于完全自我监督的CVF-SID，我们提出了各种训练目标和增强策略。
3）CVF-SID方法可以直接在有噪声的sRGB图像上训练，不假设关于未知噪声信号的任何特定分布 。
方法：
CVF
g(X,Y,Z...) to [X,Y,Z,...]
利用CVF的性质，旨在以自我监督的方式学习去噪模型。
CVF-SID
将输入噪声图像In表示为干净图像Ic、信号相关噪声图像Nd和信号无关噪声Ni的函数。将噪声图像分解为干净图像和噪声分量后，利用CVF构建自监督循环。其中，假设Nd和Ni为零均值，并在未知分布下具有空间不变性。并假色（Ic、Nd）、（Ic、Ni）、（Nd、Ni）相互之间独立。
将噪声图像分解：
因为不使用有噪声的干净图像对，不能对函数的输出应用直接监督，也不能保证fθ完美地分离这些组件。 所以采用右图这种循环自监督方式对学习目标进行约束。
s2、s3从{-1，0，1}中选择，合成噪声图像，可以用来做自监督的数据扩充，不需要额外的样本。
网络：
并设计了一系列的Loss来约束网络，详见论文。
实验：
对比实验
消融实验
