4.2.HQ-SSL的实际实现补：HQ-SSL的训练和测试须知知乎同名账号同步发表1.前沿N2N，即Noise2Noise

  传统的神经网络去噪方法，一般以带有噪声的图片作为输入，清晰的图片作为输出，在这基础上训练神经网络以拟合两者之间的映射，从而实现去噪功能。样本对(x^i,yi)(x^i,yi)中，xixi作为带噪声的输入图片，yiyi作为应当输出的清晰图片，然后最小化经验风险argmin∑L(fθ(x^i),yi)(1)(1)argmin∑L(fθ(x^i),yi)  考虑到分别获取带噪声图片和清晰图片的成本比

文章目录1.方法原理1.1先前方法总结1.2Noise2Noise回顾1.3从Noise2Noise到Neighbor2Neighbor1.4框架结构2.实验结果3.总结文章链接：https://arxiv.org

文章地址：https://arxiv.org/abs/1803.04189ICMLgithub代码:https://github.com/NVlabs/noise2noise本文整理和参考代码:https

在现有self-superviseddenoising的blindspotnetwork的基础上提出了DSPMC和dilatedtransformerblock两个模块文章在relatedwork里面把noise2noise

这类方法的难点在于，在真实场景中，比较难以获取noisy-clean的图像对Noise2Noise（ICML18）：使用Noisy-noisy图像对进行训练，每个场景都需要

Self-SupervisedDenoisingfromSingleNoisyImages单幅图像自监督去噪输入噪声图随机近邻采样得到一组图像对计算网络输出与噪声目标之间的重构项和下采样图像与真实图像之间的差异最小化损失函数，更新网络参数Noise2Noise

目录一、相关工作1.1、Noise2Noise二、本文方法——Neighbor2Neighbor2.1、训练图像对的生成2.2、有规律的自监督训练三、实验一、相关工作这篇文章的工作同样是图像去噪，但是本文方法是不需要干净图像的无监督方法

官方代码地址：https://github.com/NVlabs/noise2noise论文地址：https://arxiv.org/abs/1803.04189  第一次接触这方向，相当于翻译了。

什么是Noise2noise？

Noise2noise:LearningimagerestorationwithoutcleandataPaper:https://arxiv.org/abs/1803.04189Code:https:

本篇很大一部分内容借鉴了篇末所引用的优质博客~~1.概括卷积神经网络(CNN)，需要具有大量损坏的输入和干净的目标的图像对()，从而最小化经验风险。是损失函数L下的参数映射族；是损坏输入，是根据干净目标分布的随机变量。本文运用机器学习与最基础的信号重建的算法，实现了通过噪声信号到干净信号的重建。得出一个结论：可以通过仅查看损坏的示例来学习恢复图像，既不需要损坏图像的显式统计似然模型，也不需要图像先

本篇很大一部分内容借鉴了篇末所引用的优质博客~~1.概括Noise2Noise(N2N)可以利用一对独立的噪声图片来训练去噪模型，在这里，作者更进一步提出了一个策略Noise2Void(N2V)，只利用噪声图像即可

背景：github上的noise2noise的官方代码是NVlabs的代码，我们希望在此基础上进行修改，所以需要初步看懂与运行。目的：运行与跑通noise2noise的代码，训练与测试。

润滑栗发自凹非寺量子位出品|公众号QbitAI△Noise2Noise：我有特别的降噪技巧如今，会去噪的神经网络，早已算不上稀有物种。

目的：看懂网络训练代码，方便后续更改。目录一、更改迭代次数1.1定义位置train_config初始化位置EasyDict定义位置1.2更改迭代次数的方法二、网络结构2.1原始网络结构与代码解析2.2训练时autoencoder的调用三、训练函数嵌套关系3.1config.py到submit_run3.2submit.py中的run_wrapper3.3调用train.py3.4打印出信息四、训练

https://github.com/yu4u/noise2noisehttps://github.com/zxq2233/n2n-watermark-remove最近对取水印有很大兴趣，查阅相关资料发现Noise2Noise

非常好的一篇论文讲解官方实现非官方实现我这里跑的代码是非官方实现cuda9.1GTX108011G环境搭建（Cuda9.1）：condacreate-nn2n366python=3.6.6sourceactivaten2n366tensorflow-GPU的安装要使用共享的编译好的tensorflow-1.10.1-cp36-cp36m-linux_x86_64.whl使用pipinstallte

1.摘要Noise2Noise(N2N)可以利用一对独立的噪声图片来训练去噪模型，在这里，作者更进一步提出了一个策略Noise2Void(N2V)，只利用噪声图像即可。

Introduction上次看过文章Noise2Noise（简称为N2N吧），其使用noisy-noisyimagepairs对网络进行训练，可以达到使用noisy-cleanimagepairs的效果

Noise2Noise:LearningImageRestorationwithoutCleanDataICML20181Introduction基于corruptedorincompletemeasurements

【均引用自其他博客，这里只是将我认同的观点做一个整理】传统的神经网络去噪：含噪图像作为输入，清晰图像作为输出，在这基础上训练神经网络以拟合两者之间的映射，从而实现去噪功能：策略(GAN+CNN)：1、提取含噪图像集中的噪声块，训练GAN网络以得到一个噪声生成器V2、在干净图像数据集X中随机选取图像块x，加入GAN生成的噪声v，得到含噪图像y3、按照{y,x}训练CNN，使其学得从给定y去噪的CNN

Introduction这是ICML2018的一篇论文，其由来自英伟达、阿尔托大学和MIT的研究者联合发表。该文章提出了一个很有意思的观点：在某些常见情况下，网络可以学习恢复信号而不用“看”到“干净”的信号，且得到的结果接近或相当于使用“干净”样本进行训练。而这项结论来自于一个简单的统计学上的观察：我们在网络训练中使用的损失函数，其仅仅要求目标信号（groundtruth）在某些统计值上是“干净”

最近偶然看到的这篇论文，感觉很神奇。才发现已经发表有一段时间了，虽然关注神经网络很久了，但是为我所用的却很少，一方面自己根本就还是个入门者，才刚刚会搭建神经网络，还没训练出一个能用的。另一方面，对神经网络的理解停留在“拟合”层面，不愿再深入研究，只需要找到合适自己的网络拿来用即可。n2n这篇论文很明显是我需要的，但仍然需要消化消化。目前我面对的问题基本上可以分为两类：1.求逆过程，如系统标定、计算

论文地址：https://arxiv.org/abs/1803.04189源码地址：https://github.com/NVlabs/noise2noise目录一、摘要与背景1.1贡献点1.2问题描述二

背景：为了更改运行通相应代码，需要先在小数据集上运行代码方便实现。目的：在小数据集上运行代码。目录一、生成训练集代码1.1命令行与输入参数1.2输入图像1.3转换与存入1.4输出相关信息二、一个版本原因的错误（已调通可不看）2.1版本导致的报错2.2解决方法三、生成训练集3.1训练集与测试集的更改3.2命令行3.3validateset下载四、训练4.1网络训练4.2validate一、生成训练集

论文：Noise2NoiseGithub：第三方复现Noise2Noise引言用深度学习方法进行图像去噪的时候，通常需要大量的训练图像样本对，即带有噪声的图片和去噪后的图片，可是去噪后的图片往往很难获得

Noise2Noise:LearningImageRestorationwithoutCleanDataIntro本文亮点是输入图像和target图像都是有噪声的图像，而不是clean的图像，网络可以利用有噪声的图像学习到将有噪声的图像转化为无噪声的