2022年1月5日整理发布：如今，图像去噪的任务正在通过使用深度卷积神经网络来解决。然而，这些通常需要多对图像来训练网络。它们也不使用自相似性或重复模式。最近的一项研究提出了一种新的去噪方法，它只需要一个噪声图像进行训练。

该方法在图像中寻找相似的补丁，注册它们，并形成一个特定于图像的训练数据集。为了减少对计算资源的需求，该算法会生成一些相似的图像，然后在训练时随机选择一对。训练后，从原始图像生成去噪图像。实验表明，与其他当前的图像去噪方法相比，所建议的方法可以更好地去除噪声，同时保留结构的细微差别。

去噪方法背后的关键思想是在本地或非本地执行均值/平均操作。对经典去噪方法的观察是非局部均值 (NLM) 结果通常优于局部去噪结果。尽管在图像去噪方面取得了最佳性能，但监督式深度去噪方法需要成对的噪声清洁数据，而这些数据通常不可用。为了应对这一挑战，Noise2Noise 方法基于这样一个事实，即可以用更容易收集的成对噪声-噪声图像代替成对的无噪声图像。然而，在许多情况下，成对的噪声-噪声图像的收集仍然不切实际。为了绕过标记图像，Noise2Void 方法仅在单个嘈杂图像中预测来自周围环境的掩蔽像素。遗憾的是，Noise2Noise 和 Noise2Void 方法都不像 NLM 方法那样利用图像中的自相似性，而自相似性/对称性在现代科学中起着至关重要的作用。在这里，我们提出了 Noise2Sim，一种受 NLM 启发的图像去噪自学习方法。具体来说，Noise2Sim 利用图像块的自相似性并学习在相似块的中心像素之间进行映射以进行自洽图像去噪。我们的统计分析表明，在温和条件下，Noise2Sim 趋于等同于 Noise2Noise。为了加快寻找相似图像块的过程，我们设计了一个高效的两步程序来为 Noise2Sim 训练提供数据，如果需要，可以迭代进行。