基于联盟博弈通道掩码的自监督去噪方法Self2Channel：复杂细节保留与图像质量提升研究

针对盲点去噪网络(BSD)随机掩码导致细节丢失的问题，研究人员提出基于联盟博弈理论的通道掩码策略Self2Channel，通过非均匀采样保留关键纹理信息，结合残差损失与通道损失构建循环更新框架，理论证明其损失函数收敛于监督损失与噪声方差的联合优化，在合成与真实数据集上均超越现有自监督方法。

　　

在数字成像技术广泛应用于灾害救援、医疗诊断等领域的今天，图像噪声成为影响视觉质量与下游任务性能的关键瓶颈。传统滤波方法（如高斯滤波）易导致细节模糊，而基于深度学习的监督方法受限于配对数据获取困难。自监督盲点去噪网络(Blind-Spot Denoiser, BSD)虽突破了对干净样本的依赖，但其随机掩码策略会破坏图像边缘等高频信息，形成"去噪即失真"的困境。

针对这一挑战，来自辽宁师范大学等机构的研究团队在《Journal of Visual Communication and Image Representation》发表研究，创新性地将联盟博弈理论引入自监督去噪领域，提出Self2Channel框架。该工作通过博弈论驱动的智能掩码分配，在图像不同通道实施非均匀采样：纹理区域减少掩码数量以保护细节，平坦区域增加掩码以维持多样性。理论层面证明其损失函数L=L_scc+γL_scu能收敛至监督损失与噪声方差的联合优化，实验显示其在PSNR等指标上超越Noise2Self等前沿方法2dB以上。

关键技术包含：1）基于联盟博弈的通道掩码生成算法，通过效用函数动态分配各通道掩码比例；2）双损失循环框架，结合通道损失(channel loss)与残差损失(residual loss)构建自增强训练环路；3）理论验证系统在度量空间中的期望性质，确保L_scc与噪声方差项的可控性。

【Main method】部分显示，研究者通过构建通道敏感型掩码Ω_c^m(y)，使网络f_θ能区分处理不同纹理特征的区域。相比传统BSD随机丢弃50%像素，该方法在边缘区域仅屏蔽30%像素，而在平坦区域提升至70%，实现"细节保护区"与"噪声学习区"的智能划分。

【Theoretical analysis】中Proposition 1严格证明：当噪声均值为零时，系统总损失可分解为2∑‖f_θ(Ω_c^m(y))-x‖₂与噪声能量项之和，这一性质确保优化过程同时逼近监督学习效果与噪声统计特性。

【Experimental results】显示，在SIDD数据集上，Self2Channel将BSD方法的PSNR从28.7提升至31.2，尤其在医疗图像中血管分支等微结构的保留效果显著。消融实验证实通道掩码策略贡献1.4dB性能增益，而残差学习环路带来额外0.8dB提升。

该研究的突破性在于：首次将博弈论策略引入自监督去噪的掩码设计，通过Ω_c^m(y)实现像素级自适应处理；理论层面建立了自监督损失与监督学习的收敛关联；实践层面仅需单张噪声图像即可训练，在医疗影像、卫星遥感等稀缺干净样本领域具有重要应用价值。正如Bolin Song等作者指出，这种"细节导向型"掩码范式为自监督视觉任务开辟了新思路，其博弈论框架可扩展至超分辨率、压缩感知等相关领域。