FSID：基于程序化场景生成的完全合成图像去噪
计算机视觉与模式识别
2022-12-09 v1
摘要
对于低层计算机视觉和图像处理机器学习任务，在大规模数据集上训练对于泛化能力至关重要。然而，主要依赖来自互联网的真实世界图像的标准做法存在图像质量、可扩展性和隐私问题，尤其在商业场景中。为此，我们开发了一个面向低层视觉任务的程序化合成数据生成流水线和数据集。我们基于Unreal引擎的合成数据流水线通过随机3D物体、材质和几何变换的组合以算法方式填充大型场景。然后，我们校准相机噪声剖面以合成噪声图像。从该流水线中，我们生成了一个完全合成的图像去噪数据集（FSID），包含175,000个噪声/干净图像对。随后我们训练并验证了一个基于CNN的去噪模型，并证明仅在该合成数据上训练的模型在智能手机相机拍摄的真实世界噪声图像上评估时可取得具有竞争力的去噪结果。
引用
@article{arxiv.2212.03961,
title = {FSID: Fully Synthetic Image Denoising via Procedural Scene Generation},
author = {Gyeongmin Choe and Beibei Du and Seonghyeon Nam and Xiaoyu Xiang and Bo Zhu and Rakesh Ranjan},
journal= {arXiv preprint arXiv:2212.03961},
year = {2022}
}