D2S-RSG-SSD：一种结合随机子样本生成的双重双采样方法，用于自监督真实图像去噪

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：D2S-RSG-SSD: Dual Double-Sampling with Random Sub-Samples Generation for Self-Supervised Real Image Denoising

自监督图像去噪通过随机子采样生成（RSG）与交叉配对损失函数协同工作，打破噪声空间相关性；提出双双采样策略（D2S）与双分支架构，缓解信息损失与过拟合问题，并设计固定子图采样防止模式坍塌，有效消除 checkerboard 材艺。

　　```html

摘要：

近期在自监督图像去噪方面的进展凸显了盲点网络（BSNs）的潜力。然而，现有方法存在三个主要局限性：(1) 它们在实际场景中的有效性受到严格假设的限制，例如噪声独立性，而这在现实中很少成立。(2) 尽管基于采样的策略可以在一定程度上提高性能，但BSNs本质上会因质心掩蔽而导致信息丢失，而去除盲点又会导致噪声过拟合，这两者都会阻碍去噪效果。(3) 基于采样的方法常常会产生棋盘状伪影，但现有研究通常忽视了这些伪影与真实噪声之间的本质区别。为了解决这些问题，我们提出了一种新的自监督去噪框架——双重双重采样与随机子样本生成（D2S-RSG-SSD）。为了解决局限性1，我们引入了一种基于采样的框架，通过结合随机子样本生成（RSG）和交叉配对损失函数来打破噪声依赖性。