通过相机流水线仿真生成用于真实 RGB 图像去噪的训练数据
计算机视觉与模式识别
2019-04-19 v1
摘要
去噪等图像重建技术通常需要应用于相机和手机的 RGB 输出。遗憾的是，常用的加性白噪声（AWGN）模型不能准确复现这些输入上遇到的噪声与退化。这对于基于学习的技术尤为重要，因为训练数据与真实世界数据之间的失配会损害其泛化能力。本文旨在准确仿真相机流水线所执行的退化与噪声变换。这使我们能够在 RGB 图像中生成可用于训练机器学习模型的真实退化。我们利用我们的仿真来研究噪声建模对于基于学习的去噪的重要性。我们的研究表明，要对真实 JPEG 图像去噪，需要真实的噪声模型。在真实噪声上训练的神经网络比用 AWGN 训练的超出 3 dB。对我们流水线的消融研究表明，仿真去噪与去马赛克对该提升十分重要，并且需要很少被考虑的真实去马赛克算法。我们相信该仿真对其他图像重建任务也有用，并将公开我们的代码。
引用
@article{arxiv.1904.08825,
title = {Generating Training Data for Denoising Real RGB Images via Camera Pipeline Simulation},
author = {Ronnachai Jaroensri and Camille Biscarrat and Miika Aittala and Frédo Durand},
journal= {arXiv preprint arXiv:1904.08825},
year = {2019}
}