Noise2Noise: Learning image restoration without clean data

Jaakko Lehtinen*, Jacob Munkberg, Jon Hasselgren, Samuli Laine, Tero Karras, Miika Aittala, Timo Aila

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

268 Sitaatiot (Scopus)
253 Lataukset (Pure)

Abstrakti

We apply basic statistical reasoning to signal reconstruction by machine learning - learning to map corrupted observations to clean signals - with a simple and powerful conclusion: It is possible to learn to restore images by only looking at corrupted examples, at performance at and some-times exceeding training using clean data, without explicit image priors or likelihood models of the corruption. In practice, we show that a single model learns photographic noise removal, denois- ing synthetic Monte Carlo images, and reconstruction of undersampled MRI scans - all corrupted by different processes - based on noisy data only.

AlkuperäiskieliEnglanti
Otsikko35th International Conference on Machine Learning, ICML 2018
ToimittajatJennifer Dy, Andreas Krause
KustantajaInternational Machine Learning Society
Sivut4620-4631
Sivumäärä12
Vuosikerta7
ISBN (elektroninen)9781510867963
TilaJulkaistu - 1 tammik. 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaINTERNATIONAL CONFERENCE ON MACHINE LEARNING - Stockholm, Ruotsi
Kesto: 10 heinäk. 201815 heinäk. 2018
Konferenssinumero: 35

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Numero80
ISSN (elektroninen)1938-7228

Conference

ConferenceINTERNATIONAL CONFERENCE ON MACHINE LEARNING
LyhennettäICML
Maa/AlueRuotsi
KaupunkiStockholm
Ajanjakso10/07/201815/07/2018

Sormenjälki

Sukella tutkimusaiheisiin 'Noise2Noise: Learning image restoration without clean data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä