基于频域信息的无监督图像去噪Pytorch实现

简介：
本项目采用PyTorch框架，在无监督环境下利用频域信息进行高效且精确的图像去噪处理。 基于监督学习的方法能够生成稳健的去噪结果，但受限于需要大规模干净与嘈杂图像配对数据集这一条件。相比之下，无监督降噪方法则依赖更深入地理解底层图像统计数据。特别值得注意的是，在高频区域中，清洁图和噪声图之间的差异最为显著，这表明使用低通滤波器作为传统预处理步骤的一部分是合理的做法。然而，大多数基于学习的去噪技术仅利用空间域的信息，并未考虑频域信息。 为解决这一局限性，本研究提出了一种频率敏感型无监督去噪方法。我们采用生成对抗网络（GAN）作为基础架构，并引入了谱分析器和频率重建损失项来将频域知识传递给生成模型。通过自然与合成数据集的实验结果表明，我们的增强学习方案在不使用配对训练样本的情况下达到了最先进的去噪效果，这说明利用频域信息可能是提高无监督方法性能的有效途径。