低光照原始图像去噪的可学习性增强：配对真实数据与噪声建模的结合
计算机视觉与模式识别
2022-08-19 v2 图像与视频处理
摘要
低光照原始图像去噪是计算摄影中一项重要且有价值的任务，其中使用配对真实数据训练的学习型方法为主流。然而，有限的数据量与复杂的噪声分布构成了配对真实数据的可学习性瓶颈，限制了学习型方法的去噪性能。为解决此问题，我们提出一种依据噪声建模重构配对真实数据的可学习性增强策略。我们的策略包含两种高效技术：散粒噪声增强（SNA）与暗本底校正（DSC）。通过噪声模型解耦，SNA通过增加数据量提升数据映射精度，DSC通过降低噪声复杂度来减少数据映射复杂度。在公开数据集与真实成像场景上的大量结果共同证明了我们方法的SOTA性能。我们的代码见：https://github.com/megvii-research/PMN。
引用
@article{arxiv.2207.06103,
title = {Learnability Enhancement for Low-light Raw Denoising: Where Paired Real Data Meets Noise Modeling},
author = {Hansen Feng and Lizhi Wang and Yuzhi Wang and Hua Huang},
journal= {arXiv preprint arXiv:2207.06103},
year = {2022}
}
备注
9 pages, 8 figures, to be published in ACMMM 2022