Abstract

1、在过往研究中，图像去噪算法缺少无噪声的真值，而人为构建的噪声模型不真实，效果不好。

2、作者的思路：构建有噪图&对应的无噪图的成对真实数据集。

Amber：这是很硬核的做实事的思路，实现过程必然遇到很多工程问题。

• 获取有噪图和对应无噪图的方法：不同 ISO +适当调整曝光时长
• 为获得真值的后处理步骤
  • 基于异方差 Tobit 回归模型的线性强度变换来校正空间错位，处理曝光参数的不准确性
  • 去除由微小光照变化等引起的残留低频偏置

3、成果

• 构建的基准数据集：the Darmstadt Noise Dataset (DND),
• 发现了在真实噪声图上最新的技术方法性能比 BM3D 好。
• 提出了和以往科学方法不同的现实评估方案——有开创性。

TBD：看 BM3D 实现思路。

【科普】
ISO 表示 sensor 感光模块的感光度。同样曝光时间下，ISO值越小，画面越暗；ISO值越大，画面越亮，但是画面会增加噪点，降低画质，特别是晚上拍摄时噪点非常明显。
ISO值越小拍的照片越精细，ISO值越高拍的照片噪点越多越蒙。

1、Introduction

为什么要有图像的后处理？

• 实际应用中传感器的模拟增益和曝光时间无法非常精准控制，这使得两张图片的强度上存在线性依赖关系。——要消除掉（个人理解是模型会优先学依赖关系，偷懒得到局部最优解，但这很容易过拟合，模型不具有普适性）
• 光照的微小变化会导致低频偏置——通过高通滤波在噪声为零均值的变换域中去除有噪图和参考真值图之间的残差
• 移动的物体和曝光之间微小的相机抖动——手动标注和亚像素对齐

如图：几乎无噪声的低 ISO 图像，和有噪声的高 ISO 图像。作者说到，实际工作使用的 RAW 图，为了展示效果此处用 JPEG。

Amber：RAW 图怎么获得？有些商业相机所谓的 RAW 图也是经过一些处理压缩后的结果。作者用的 RAW 图是怎样的。

2、Related Work