基于方向性移位卷积的盲点网络(SC-BSN)：一种自监督图像去噪新方法及其在真实噪声去除中的应用

【编辑推荐】针对真实噪声空间相关性导致的传统盲点网络(BSN)性能受限问题，本研究提出多分支方向性移位卷积操作构建SC-BSN网络，通过互补随机替换优化(CR3)技术实现噪声相关性的有效破坏与细节保留。实验证明该方法在SIDD/DND数据集上显著优于现有自监督去噪算法，为无配对数据场景提供新解决方案。

在计算机视觉领域，图像去噪始终是基础而关键的挑战。传统监督学习方法依赖大量干净-噪声图像对，但真实场景中噪声往往呈现空间相关性，与假设的像素独立加性高斯噪声(AWGN)存在显著差异。尽管自监督盲点网络(BSN)通过邻域像素重建中心像素的策略摆脱了对干净数据的依赖，但其核心假设与真实噪声特性间的矛盾导致性能瓶颈。现有解决方案如AP-BSN采用像素混洗下采样(PD)破坏噪声相关性，却牺牲了图像高频细节；而邻域掩膜方法虽保持原始分辨率，但大卷积核带来巨大计算开销。

针对这一困境，重庆理工大学的研究团队在《Neurocomputing》发表的研究中，创新性地提出基于方向性移位卷积的盲点网络(SC-BSN)。该方法通过三分支架构设计：第一分支聚焦目标像素邻近区域，第二分支处理远距离像素以破坏噪声相关性，第三分支专攻对角线方向像素，配合改进的局部上下文注意力(LCA)机制，实现了噪声抑制与空间结构的平衡。更突破性的是提出互补随机替换优化(CR3)后处理技术，相比传统R3迭代平均能更好保留图像细节。

关键技术包括：1) 多分支方向性移位卷积构建差异化盲区；2) 局部上下文注意力(LCA)增强特征提取；3) 互补随机替换优化(CR3)后处理；4) 在SIDD/DND真实噪声数据集验证。

Revisit of various methods to disrupt noise spatial correlation
研究系统分析了破坏噪声空间相关性的现有方法，指出下采样会导致采样密度下降，而大核卷积增加计算复杂度。通过数学推导证明当噪声满足空间独立和零均值假设时，自监督损失函数L_self = ‖B(I_N)-I_N‖₁可被最小化。

Experimental configurations
在SIDD-Medium数据集（含320对真实噪声-干净图像）和DND基准集测试表明，SC-BSN的PSNR/SSIM指标显著优于Noise2Void、AP-BSN等方法。特别是256×256尺寸图像处理中，CR3技术使细节保留度提升12.7%。

Conclusion
该研究突破性地将方向性移位卷积引入自监督去噪框架，三分支设计有效协调了噪声抑制与细节保护的矛盾。CR3技术开创性地采用互补替换策略替代传统平均操作，为无监督医学影像处理等领域提供新思路。作者Guo Yang等强调，该方法无需额外参数即可实现性能提升，在电子显微镜等难以获取配对数据的场景具有特殊价值。

值得关注的是，研究团队在作者贡献声明中明确SC-BSN架构与CR3技术已申请专利，体现了其技术创新性与应用潜力。这项工作不仅为真实噪声去除提供新工具，更拓展了自监督学习在计算机视觉中的边界。