현재 이미지에서 배우기
외부의 깨끗한 학습 쌍이나 잡음 이미지 모음 대신 현재 복원하려는 이미지 자체로 모델을 학습한다. 이미지가 한 장이라는 사실과 계산이 한 번이라는 사실은 다르다. 이미지별 최적화와 여러 번의 예측 비용이 필요할 수 있다.
표본화와 드롭아웃
베르누이 표본화로 입력 이미지의 여러 부분 관측을 만들고 드롭아웃을 적용한 네트워크를 학습한다. 최종 결과는 드롭아웃이 있는 모델의 여러 예측을 평균해 얻는다. 파생한 표본이 모두 새로운 독립 촬영 정답을 제공하는 것은 아니다.
평균과 공통 편향의 예
설명용으로 세 예측 값이 9, 10, 11이면 평균은 10이다. 반면 실제 정답이 10인데 예측이 11, 12, 13이라면 평균 12에도 오차가 남는다. 평균이 변동을 줄일 수 있어도 공통된 편향까지 자동으로 제거하지는 않는다는 예다.
단일 이미지 학습의 검증
반복 패턴과 미세한 질감을 잡음으로 지우는지, 구조적인 잡음이 남는지 확인해야 한다. 여러 예측의 수와 학습 반복 수에 따른 품질 및 전체 실행 시간을 함께 측정한다. 외부 자료로 미리 학습한 모델의 단일 추론 시간과 이미지별 학습을 포함한 시간을 혼동하지 않는다.
관련 문서
Neighbor2Neighbor / Noise2Self / Noise2Void / Noise2Noise / Deep Image Prior / 자기지도 학습