木槿qwer的博客

学习噪声特性

图像去噪的目标：生成符合人类感知先验、平衡锐度和平滑度的干净样本问题：深度学习图像去噪模型要想针对不同噪声强度调整去噪强度，需要改网络推理过程，无法实时交互。本文解决思路：提出 RCD ，一次推理，可交互的实时的修改去噪等级创新点：1、模型最后一层改为输出多个噪声图的轻量级模块。2、提出噪声去相关步骤。①增强噪声特征映射的正交性；②通过噪声图插值控制噪声level（？

1、提出一个模拟 ISP 处理的模型（模型是怎么构建的？2、在 RAW、sRGB 域都能生成图像对，都能做去噪。（它说在真是图像基准数据集上有 SOTA 效果，不会是 DND 吧）3、参数量是之前的RAW去噪最佳方法（用的什么方法？）参数的 1/5。

1、低光照图像的挑战：低光子计数导致了低信噪比。2、本文工作针对性解决极端低光成像问题，更具体的：照明严重受限（如月光）&短曝光（理想情况是视频速率）。3、构建了短曝光+长曝光 raw 数据集。BR：貌似是 AIISP 的先驱。

1、背景知识：基于 calibration 的方法在极低光照的 RAW 图像去噪中占主导地位，该方法有诸多不足（此处略）2、作者提出一个的性能不受数字增益和相机 sensor 影响的 piplelineLED3、好处：不需要重复标定噪声参数和训练，只用使用较少的配对数据+微调就可以适配新 sensor。

这篇文章思路很难理解，我先只看摘要，后续1、提出一种基于变换域增强稀疏表示的图像去噪策略。2、将相似的二维图像块分组到三维数据数组中，可以增强稀疏性。协同滤波：用于处理三维数组。Amber：为啥要增强稀疏表示啊，有什么好处。协同滤波又是怎么实现的。经过组的三维变换、变换谱的收缩、三维逆变换三个步骤，得到由联合过滤分组图像块组成的三维估计。通过对噪声的衰减，协同滤波甚至可以揭示分组块共享的最精细的细节，同时，它保留了每个单独块的基本独特特征。然后将过滤后的块返回到其原始位置。

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。构建有噪图&对应的无噪图的成对真实数据集——本文的贡献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。不同模拟增益（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)