CycleISP：通过改进数据合成实现真实图像复原
图像与视频处理
2020-03-18 v1 计算机视觉与模式识别
摘要
大规模数据集的可用性有助于释放深度卷积神经网络(CNN)的真正潜力。然而，对于单图像去噪问题，捕获真实数据集是一种昂贵且繁琐得不可接受的过程。因此，图像去噪算法主要在合成数据上开发和评估，这些合成数据通常基于加性白高斯噪声(AWGN)的普遍假设生成。虽然CNN在这些合成数据集上取得了令人印象深刻的成果，但如近期基准数据集所报道，当应用于真实相机图像时它们表现不佳。这主要是因为AWGN不足以建模真实相机噪声，后者是信号依赖的并受到相机成像管线的严重变换。本文中，我们提出了一个在正向和反向方向上对相机成像管线建模的框架。它使我们能够在RAW和sRGB空间中生成任意数量的真实图像对用于去噪。通过在真实合成数据上训练新的图像去噪网络，我们在真实相机基准数据集上实现了最先进的性能。我们模型中的参数约为先前RAW去噪最佳方法的1/5。此外，我们证明了所提框架可推广至图像去噪问题之外，例如立体电影中的颜色匹配。源代码和预训练模型可在 https://github.com/swz30/CycleISP 获取。
引用
@article{arxiv.2003.07761,
title = {CycleISP: Real Image Restoration via Improved Data Synthesis},
author = {Syed Waqas Zamir and Aditya Arora and Salman Khan and Munawar Hayat and Fahad Shahbaz Khan and Ming-Hsuan Yang and Ling Shao},
journal= {arXiv preprint arXiv:2003.07761},
year = {2020}
}
备注
CVPR 2020 (Oral)