从独立噪声观测学习干净生成过程以一致性补全低噪声区间

我们研究如何仅使用噪声观察来学习干净图像的生成模型。扩散过程及其对非高斯噪声的推广需要在每个噪声级别进行后验预测。我们首先表明，可以使用 Noise2Noise 回归从独立的噪声视图中学习这些预测，但只能达到或高于训练数据的噪声水平。为了学习生成干净图像所需的低于该水平的预测，我们强加一致性：在继续采样过程后，预测应等于其期望。我们推导出一致性可唯一确定如何向无噪图像分布延拓的条件，并在泊松、二项、Gamma 和负二项测量下验证这些条件。 CIFAR-10、光子计数显微镜和合成孔径雷达上的实验表明，所需的后验预测可以仅从噪声视图中学习，并且一致性关系修复了向数据噪声水平之外的延拓；若不施加一致性，这种延拓会严重恶化。