光场去噪网络

自监督去噪

利用预条件随机梯度朗之万动力学训练的自监督深度网络，通过光场冗余表示实现优于经典方法的去噪性能。

Haiyan, Guo · Zhang, Haimiao · 邱钧

Signal Processing 2026

技术优势

无需干净参考

自监督训练直接利用带噪光场数据，不依赖配对的干净图像，省去获取高质量参考的负担。

对经典方法有优势

在合成和真实光场数据集上的数值实验表明所提模型优于对比的经典去噪方法。

采用贝叶斯训练

预条件随机梯度朗之万动力学以蒙特卡洛方式采样后验分布，可提供更稳健的模型估计。

应用场景

• 光场计算成像：为光场计算成像提供高质量干净数据，提升后续处理精度。
• 低光成像增强：在低光高噪声场景下有效去噪，增强弱光成像可用性。
• 三维场景重建：去噪后的光场数据可提升三维重建的精度和稳定性。
• 消费级光场相机：无需干净参考即可在消费级相机上部署，提升拍摄图像质量。