目录
引言
去噪，作为图像处理领域的核心任务之一，其挑战性及其广泛的应用需求引发了大量的研究。然而，虽然基于监督学习的方法可以产生稳健的去噪结果，但其本质上受到对大规模干净/嘈杂配对数据集的需求的限制。由于数据收集的困难，这使得这种方法在实际应用中可能难以实现。另一方面，无监督降噪器需要更详细地了解底层图像统计数据，但传统的方法主要依赖于空间域的信息，忽视了频域信息的重要性。
特别是，众所周知，干净图像和噪声图像之间的明显差异在高频带上最为突出。这证明了使用低通滤波器作为传统图像预处理步骤的一部分是合理的。然而，大多数基于学习的去噪方法仅利用来自空间域的单方面信息，而不考虑频域信息。这就为我们引入频域信息提供了理论基础。
为了解决这个限制，我们在这项研究中提出了一种频率敏感的无监督去噪方法。具体来说，我们利用了生成对抗网络（GAN）的结构，并通过引入频谱鉴别器和频率重建损失，以将频率知识转移到生成器中。我们使用自然和合成数据集进行了验证，结果表明，我们的方法达到了当前最先进的去噪性能。这进一步表明，频域信息可能是提高基于无监督学习的去噪方法的整体性能的一个重要因素。
接下来，我们将详细介绍我们的方法。
方法
我们的方法基于生成对抗网络（GAN），GAN 由生成器 G 和鉴别器 D 组成，其中 G 负责生成类似