NL-BSN: introducing non-local self-similarity in self-supervised methods to enhance real-world image denoising

Nowadays, due to the central role of smartphones in our society, images have become an important mean of information transmission in people's everyday lives. In this context, the quality of such signals is of crucial importance for several applications such as medical imaging and digital photography. Therefore, recently, significant attention has been brought to the field of image denoising, which is the problem of removing stochastic noise corrupting images. Recently, several supervised learning-based image denoising techniques have been proposed to address this problem. However, these methods heavily rely on dataset composed of great amounts of noisy-clean image pairs, which are difficult and expensive to obtain in practice. To address this limitation, several self-supervised image denoising methods that can be trained utilizing solely the noisy images have been proposed. However, to the best of our knowledge these methods do not consider employing the Non-Local Self-Similarity (NLSS) prior, a statistical property that has shown great results in traditional denoising algorithms, to improve their performance. In this thesis, we propose a novel self-supervised image denoising framework, called NL-BSN, based on the Blind Spot Network (BSN) architecture, that integrates the NLSS prior to improve the denoising performance on real-world images affected by spatially correlated noise. Experimental results demonstrate that our proposed framework outperforms other state-of-the-art image denoising methods, including both traditional and self-supervised approaches, obtaining a significant increment in the denoising performance.

Al giorno d'oggi, grazie al ruolo centrale degli smartphone nella nostra società, le immagini sono diventate un importante mezzo di trasmissione delle informazioni nella vita quotidiana delle persone. In questo contesto, la qualità di tali segnali è di cruciale importanza per diversi settori, quali quello della medicina e quello della fotografia digitale. Per questo motivo, di recente, particolare attenzione è stata rivolta al settore del denoising delle immagini, ovvero al problema della rimozione del rumore aleatorio che le corrompe. Recentemente, per affrontare questo problema sono state proposte diverse tecniche di denoising delle immagini basate su reti neurali che apprendono in modo supervisionato. Tuttavia, questi metodi si basano completamente sulla disponibilità di dataset composti da una grande quantità di coppie di immagini rumorose e pulite, che sono difficili e costose da ottenere nella pratica. Per ovviare a questa limitazione, sono stati proposti diversi metodi di denoising che utilizzano reti neurali auto-supervisionate, che possono essere addestrate utilizzando esclusivamente le immagini rumorose. Tuttavia, per quanto ne sappiamo, questi metodi non considerano l'impiego dell'auto-similarità non-locale, una proprietà statistica delle immagini che ha mostrato grandi risultati negli algoritmi di denoising tradizionali, per migliorare le loro prestazioni. In questa tesi, proponiamo un nuovo metodo di denoising auto-supervisionato delle immagini, chiamato NL-BSN, basato sulle reti neurali a punto cieco, che integra la proprietà dell'auto-similarità non-locale per migliorare le prestazioni di denoising su immagini reali affette da rumore spazialmente correlato. I risultati sperimentali dimostrano che il metodo proposto supera gli altri metodi di denoising dello stato dell'arte, compresi sia gli approcci tradizionali che auto-supervisionati, ottenendo un significativo miglioramento delle prestazioni.