使用不同图像进行深度学习训练？答案

【问题标题】：Deep learning training with nonidentical images?使用不同图像进行深度学习训练？
【发布时间】：2019-10-08 11:48:35
【问题描述】：

[![在此处输入图像描述][1]][1]我实际上正在使用双重摄影重建一些图像。接下来，我想训练一个网络，通过去噪（去噪自动编码器）重建清晰的图像。

用于训练网络的输入是重建图像，而输出是地面实况或基于计算机的标准测试图像。现在输入，例如，Lena 是 Lena 的一些不太精确的版本，图像位置偏移和一些伪影。

如果我将输入作为重建图像并将训练输出作为 Lena 测试图像（计算机标准测试图像），它会起作用吗？我只想知道输入/输出是否发生变化或其中一个中缺少某些细节（由于一些裁剪）是否会起作用。

【问题讨论】：

【解决方案1】：

这取决于许多因素，例如用于训练的图像和网络架构。

但是，您要做的是创建一个学习噪声或低级别信息的网络，为此，生成对抗网络 (GAN) 非常流行。您可以在here 阅读有关它们的信息。也许，在您尝试过您的方法之后，如果结果不令人满意，请尝试使用 GAN，例如 DCGAN（深度卷积 GAN）。

此外，如果您愿意，请与社区分享您的成果。

【讨论】：

【解决方案2】：

去噪自动编码器！喜欢它！

没有理由不使用这些图像训练您的模型。如果训练有素，自动编码器最终会在有足够数据的情况下学习转换。

但是，如果您有“正面”图像，我强烈建议您创建自己的嘈杂图像，然后在受控的工作区域进行训练。你会简化你的问题，它会更容易解决。

是什么阻止你这样做？

【讨论】：

谢谢，问题是我无法在“基于计算机的正面测试图像”上复制振铃效应和噪声伪影，类似于我通过我的方法在重建图像中获得的那些。这就是为什么我想在训练我的网络之前问这个问题，因为输入和输出图像稍微错位并且不一样。
您能发布更多成对图像的示例吗？如果图像略微未对齐并且您有足够的数据，它会起到一定的作用
嘿，我认为我所有的图像都有点错位，我正在使用测试图像（莉娜胡椒、海盗等）。据了解，即使我完美地调整了打印在 A4 纸上的目标图像并对其进行重建，与理想的测试图像相比，也总会存在一些差异。
然后尝试训练模型并检查结果。考虑一下预处理数据，以便您至少可以先进行一些对齐
嘿！你最后做了什么？我很好奇