近日，实验室研二学生王炜同学的论文《Optimal Transport for Unsupervised Denoising Learning》在人工智能领域顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)在线发表。TPAMI是人工智能领域顶级期刊，影响因子在人工智能、计算机视觉、模式识别等多个领域的期刊中常年位居第一，CiteScore高达44.2，每年仅发表200篇左右论文。
近几年，基于深度学习的无监督图像重建方面取得了较大进展，然而现有方法或多或少都基于信号和噪声的一些特定先验模型以实现无监督/自监督学习，“无先验模型下的最优重建框架”仍然是一个开放问题。该研究基于最优传输理论构建无监督重建学习的最优框架，证明了Wasserstein-1空间中最优传输准则的松弛求解不变性。在摄影图像、荧光显微镜图像、深度图像等多种实际数据上，新方法实现了远超现有无监督/自监督方法的性能，在重建感知质量上甚至优于SOTA有监督方法。
该论文获得TPAMI编辑高度评价：“I believe this insightful work will be another influential TPAMI paper especially to the low-level vision community.”
论文地址：https://ieeexplore.ieee.org/document/9763342
