本项目在参与【飞桨启航菁英计划】过程中完成，所属方向：计算机视觉图像处理。项目基于paddlepaddle复现noise2noise，使得denoised与clear image psnr持平。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
论文介绍
--> Noise2Noise: Learning Image Restoration without Clean Data
内容介绍
本文亮点是输入图像和目标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clean图像。文章解释了在使用l2 loss时，网络对于一对多的映射关系学习到的是映射值的均值，基于此idea，将clean的图像加上0均值的噪声作为target，数据量足够多时，网络就能学习到预测clean图；作者也探究了使用l1 loss的影响，即利用l1 loss的稀疏性，事先如果知道噪声的分布，且该分布下图片中的像素为噪声的概率较低时，使用l1 loss要优于l2 loss，其他情况根据噪声分布的实际情况设计相应的loss。
理论背景
在高分辨率算法中，由低分辨率到高分辨率图的对应是一对多的，也就是说，一张低分辨率图是可以对应多张高分辨率图的，网络直接使用l2 loss去回归高分辨率的结果，实际上会倾向于回归可能对应的高分辨率图像的均值，因此预测的高分辨率图会倾向于模糊。
也就是说，对于任务
,其最小值在
