图像去噪
Noise Flow
https://github.com/BorealisAI/noise_flow
QA:
1、块(patch)大小 32x32 与论文中不同?（64x64）
实际采样时输入的图像尺寸应该是多少?
实际也应该是32x32，与训练时的patch保持一致，可以从更大尺寸的图像中进行采样，输出时可以进行resize
2、训练是反方向（x—>z，密度估计）的，对于采样任务，是否需要重新正向训练？如何恢复训练（fine-tune）?
根据采样代码运行的结果，推测原始训练时保存的模型就是正向的（采样方向）
代码中有恢复训练的代码，应该可以直接用
3、训练保存的ckpt模型可以直接采样？Why?
而且输入、输出尺寸似乎与patch大小无关
可以，因为训练时保存的就是正向（采样）模型，推理时必须和patch大小保持一致，输入、输出可以不一致（随机截取、resize）
4、为什么训练时的代码看起来像是学习密度估计（反向）？
是正向的，学习的采样过程（不确定）
5、train_noise_flow.py 中 Training/Testing/Sampling的关系？
train使用的是训练集，每次梯度下降更新参数
test、sample使用的是测试集，test执行sess.run()只计算loss，sample会执行采样节点
6、模型中输入为什么要把RAW图像分解为4层？
因为RAW是Bayer颜色空间，重新分解为RGB组合的颜色模式
7、没有看到从高斯分布中随机抽样生成输入数据的过程，并与输入clean图像强度有关
根据noise_flow_model.py的sample()函数中的定义，应该不依赖于clean图像，只利用了clean图像的shape
8、训练是反向的流程和运算，测试、采样确实正向的，不需要重新训练吗？模型参数直接能用？为什么不正向训练？
因为每一层都是Bijectors（双射器），包含forward、inverse方法，一个方向的训练完成，另一个方向的变换也能直接得到，不需要再重新训练
常用的图像去噪算法
（增强、恢复、超分辨）
图像去噪方法
传统方法 基于人工特征
空间域、频率域 滤波（均值、中值、小波、维纳）
深度学习方法 GAN、GCN等
DnCNN
Image denoising review From classical to state-of-the-art approaches
ToDo:
1、TV
2、小波
3、BM3D
4、DnCNN
QA：
1、知道了噪声的分布（例如：高斯）如何去噪？
Typically, image denoising is based on a specic noise model and involves the estimation of that model’s parameters.
2、噪声流模型有什么用？
单幅图像去噪
待续…