Noise2Noise: Learning Image Restoration without Clean Data——实验总结

这是一篇经典的图像去噪文章的简单测试

---

作者：墨理

基础信息

• 非常好的一篇论文讲解

• 官方实现

• 非官方实现

• 我这里跑的代码是 非官方实现

环境搭建（Cuda9.1）：

cuda9.1 GTX 1080 11G

conda create -n n2n366 python=3.6.6

source activate n2n366

tensorflow -GPU的 安装 要使用 共享的编译好的  tensorflow-1.10.1-cp36-cp36m-linux_x86_64.whl

使用 pip install tensorflow-1.10.1-cp36-cp36m-linux_x86_64.whl 来进行安装，安装之后 pip list 查看 显示：
tensorflow         1.10.1    但是 已经可以使用。

pip install Keras==2.1.6

pip install opencv-python

pip install pillow

pip install matplotlib

#官方代码需要 安装这俩
pip install typeguard==2.2.2
pip install nibabel==2.3.0

使用数据( 人证照片 )：

train 500
test 200

训练

第二种 text 噪声 加噪去噪 效果验证：

–nb_epochs 300 训练时长 15h

nohup python train.py --image_dir dataset/train --test_dir dataset/test --image_size 128 --batch_size 4 --lr 0.001 --source_noise_model text,0,50 --target_noise_model clean --val_noise_model text,0,50 --loss mae --output_path text_clean  --nb_epochs 300 &

测试

这是一个大佬的非官方实现测试；

• 下载预训练模型：

https://github.com/yu4u/noise2noise

• 使用上面下载的预训练模型进行测试：

针对三种噪声、带噪和不带噪两种模型 的测试命令：
测试时，通过设置参数 --test_noise_model 类型，否则 默认会 添加 gaussian 噪声

python test_model.py --weight_file  weights/weights.056-4.172-28.07752_text_clean.hdf5 --image_dir dataset/commonSet --output_dir _text_clean --test_noise_model text,0,60  

python test_model.py --weight_file  weights/weights.057-4.796-27.68533_text_noise.hdf5  --image_dir dataset/commonSet --output_dir _text_noise --test_noise_model text,0,60 

python test_model.py --weight_file  weights/weights.056-66.803-30.57923_gauss_clean.hdf5  --image_dir dataset/commonSet --output_dir gaussian_clean --test_noise_model gaussian,0,60 

python test_model.py --weight_file  weights/weights.040-87.447-29.13496_gauss_noise.hdf5  --image_dir dataset/commonSet --output_dir gauss_noise --test_noise_model gaussian,0,60 


python test_model.py --weight_file  weights/weights.038-4.547-24.81654_impulse_clean.hdf5  --image_dir dataset/commonSet --output_dir impulse_clean --test_noise_model impulse,0,60 

python test_model.py --weight_file  weights/weights.047-2.317-24.30238_impulse_noise.hdf5  --image_dir dataset/commonSet --output_dir impulse_noise --test_noise_model impulse,0,60 

针对文本噪声测试效果如下：

纯净数据，加噪去噪，效果如下：

python test_model.py --weight_file text_clean/weights.300-1.180-36.05937.hdf5 --image_dir dataset/commonSet --output_dir commonSetOut --test_noise_model text,0,60 

图一：

带噪数据，不加噪，去噪 效果如下：

python test_model.py --weight_file text_clean/weights.300-1.180-36.05937.hdf5 --image_dir dataset/commonSet3 --output_dir commonSet3Out --test_noise_model clean

图二：

总结：

  noise2noise 300epoch训练得到的模型，可以较好的去除它本身加的随机 text 噪声，但是对于其他类型的文本噪声，并没有去噪效果。

原因如下：

  源代码中的 text噪声，虽说是随机生成的，但这些文本都是完整的数字或者字母，而图二： 下方的照片里面的噪声 种类 和 训练是 完全 不一致，因此它是没有 消除效果的。

🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️