Tensorflow 用不完全相同的图像进行深度学习培训？

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

训练网络的输入是重建图像，而输出是地面真实值或基于计算机的标准测试图像。现在输入，例如，Lena是Lena的一些不精确版本，图像在位置上发生了移动，并且出现了一些伪影

如果我将输入作为重建图像，将训练输出作为Lena测试图像（计算机标准测试图像），它会工作吗？

---

我只想知道输入/输出是否发生了变化，或者其中一个（由于某些裁剪）是否会出现某些细节缺失。

这取决于许多因素，如培训图像和网络架构

然而，你要做的是建立一个能够学习噪声或低电平信息的网络，为此，生成性对抗网络（GAN）非常流行。你可以读到他们。也许，在您尝试了您的方法之后，如果结果不令人满意，那么尝试使用GAN，比如DCGAN（深卷积GAN）

---

此外，如果您愿意，请与社区分享您的成果。

自动编码器去噪！爱死它了

没有理由不使用这些图像训练您的模型。如果有足够的数据，经过良好训练的自动编码器最终将学习转换

但是，如果你有“正面”的图像，我强烈建议你创建自己的嘈杂图像，然后在受控的工作区域进行训练。你将简化你的问题，它将更容易解决

---

是什么阻止你这么做的

谢谢回复，请查看我编辑的帖子。提供更多细节。想坚持DCAN什么是‘CAN’？我从没听说过。谢谢，问题是我无法在“基于计算机的阳性测试图像”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得到的。这就是为什么我想在训练我的网络之前问这个问题，如果输入和输出图像稍微不对齐，并且不相同，它是否可以工作。你能发布更多的图像对示例吗？如果图像有轻微的错位，并且你有足够的数据，那么它会起到一定的作用。嘿，我想我所有的图像都有轻微错位，我正在使用测试图像（Lena pepper，pirate等）。可以理解的是，即使我将打印在A4纸上的目标图像完美地调整大小并进行重建，与理想的测试图像相比，仍然会存在一些差异。然后尝试训练模型并检查结果。想一想，不要对数据进行预处理，这样你至少可以先做一些校准嘿！你最后做了什么？我很好奇