自监督实时图像去噪新框架：RSG驱动的SDAP与实际性能提升

标题："Random Sub-Samples Generation for Self-Supervised Real Image Denoising" 描述了在实际图像去噪任务中，一项重要的创新工作是如何利用深度学习解决监督方法的局限性，特别是在缺乏噪声-清晰图像配对的情况下。传统的监督学习方法在图像去噪领域表现出色，但由于获取真实噪声-清晰图像对的困难，限制了其在实际场景中的广泛应用。另一方面，自监督学习方法，如盲点网络（BlindSpot Network, BSN），由于其假设噪声是像素级别的独立性，往往在实际应用中表现不足，无法准确模拟现实世界中的复杂噪声情况。 本研究提出了一种名为SDAP（Sampled Difference-based Asymmetric Pseudo-Labels）的新颖自监督框架，特别强调了随机子样本生成（Random Sub-Samples Generation, RSG）和循环采样差异损失的结合。作者通过对BSN特性的深入研究发现，通过在训练图像中适当地引入扰动，能够提升BSN的性能。他们进一步提出，采样差异可以作为一种有效的扰动手段，从而在不依赖于成对数据的情况下优化模型。 关键创新点在于，SDAP框架利用RSG策略，即在每次迭代中从原始图像中随机抽取一部分子样本进行训练，这样既解决了数据配对不足的问题，又避免了对噪声独立性假设的严格限制。这种方法允许模型在实际数据集上进行训练，且实验结果显示，相比于其他先进的自监督去噪方法，SDAP在实际效果上有显著优势，证明了其在复杂实际场景下的有效性。 这项研究不仅填补了监督学习在图像去噪领域的空白，还提供了一个新的自监督策略，使得深度学习方法在没有完美配对数据的情况下也能处理实际的图像去噪任务，具有很高的实用价值和理论意义。未来，这种方法可能被广泛应用于各种需要图像去噪的应用中，如医学图像、遥感图像等。