影像去雜訊

影像去雜訊是從帶雜訊的觀測中還原藏在其中的乾淨影像的任務。它本質上是一個不適定（ill-posed）的反問題：無窮多張乾淨影像都可能產生同一組帶雜訊像素，因此你無法僅憑邏輯求解，你必須對「真實影像長什麼樣」做出假設。去雜訊的藝術在於編碼好的先驗，即影像大致平滑、邊緣稀疏、區塊在影像中重複出現，同時仍讓真實的細節通過。

模型是 observed = clean + noise，而核心張力是偏差-變異數的取捨：平滑得太兇會把真實細節模糊掉（偏差），平滑得太少則雜訊存活（變異數）。經典方法橫跨一道光譜。局部線性濾波器（高斯、均值）快但會模糊邊緣；中值處理脈衝；雙邊與引導濾波器保邊。全變分（TV）去雜訊在貼近資料的約束下最小化強度變化的總量，偏好分段平坦的結果。兩個最強的經典方法利用自相似性：非局部平均把看起來相像的遠處區塊取平均，而 BM3D 把相似區塊聚成 3D 堆疊並協同濾波，BM3D 多年來一直是必須超越的基準。

自 2010 年代中期起，學習式去雜訊器取得領先。如 DnCNN 的卷積網路以帶雜訊與乾淨影像配對訓練，且常學會直接預測雜訊本身（殘差學習）。Noise2Noise（以兩份帶雜訊副本訓練）與 Noise2Void（以單張帶雜訊影像訓練）等自監督方案，免去對乾淨真值的需求。最近，擴散模型（diffusion model）作為強大的學習式影像先驗，可被插入去雜訊與復原任務。品質以 PSNR 與 SSIM 衡量保真度，並日益使用如 LPIPS 的知覺度量，因為高 PSNR 的結果可能看起來不自然地平滑。