深度连拍去噪
计算机视觉与模式识别
2017-12-18 v1 机器学习
机器学习
摘要
噪声是弱光图像采集的固有问题，在移动设备上因其窄光圈和小传感器而加剧。在弱光环境下减轻噪声的一种策略是增加相机快门时间，从而使每个光电位点积分更多光并降低噪声方差。然而，长曝光有两个缺点：（a）明亮区域可能超出传感器范围，（b）相机和场景运动将导致图像模糊。另一种收集更多光的方法是捕获“连拍”中的多个短（因而有噪声）帧并智能地整合内容，从而避免上述缺点。在本文中，我们使用连拍捕获策略，并通过循环全卷积深度神经网络（CNN）实现智能整合。我们构建的新颖多帧架构可作为任意单帧去噪模型的简单附加模块，并设计用于处理任意数量的噪声输入帧。我们表明其在我们的连拍数据集上取得了最先进的去噪结果，优于已发表的最佳多帧技术，如 VBM4D 和 FlexISP。最后，我们探索了通过整合多帧内容进行图像增强的其他应用，并证明我们的 DNN 架构能很好地泛化到图像超分辨率。
引用
@article{arxiv.1712.05790,
title = {Deep Burst Denoising},
author = {Clément Godard and Kevin Matzen and Matt Uyttendaele},
journal= {arXiv preprint arXiv:1712.05790},
year = {2017}
}