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。