基于Bayer模式统一与Bayer保持增强的RAW图像去噪学习
计算机视觉与模式识别
2019-08-01 v2 图像与视频处理
摘要
在本文中，我们提出了用于基于DNN的RAW图像去噪的新数据预处理与增强技术。与传统RGB图像去噪相比，直接在相机传感器读数上执行该任务带来了新的挑战，例如如何有效处理来自不同数据源的各种Bayer模式，以及随后如何对RAW图像进行合理的数据增强。针对第一个问题，我们提出了一种Bayer模式统一（BayerUnify）方法以统一不同的Bayer模式。这使我们能够充分利用异构数据集来训练单一去噪模型，而无需为每种模式训练一个模型。此外，尽管增强数据集对提升模型泛化能力与性能至关重要，但我们发现通过改编为RGB图像设计的增强方法来修改RAW图像容易出错。为此，我们提出了一种Bayer保持增强（BayerAug）方法作为RAW图像增强的有效途径。将这些数据处理技术与改进的U-Net结合，我们的方法在NTIRE 2019真实图像去噪挑战赛中取得了52.11的PSNR和0.9969的SSIM，展示了最先进的性能。我们的代码可在 https://github.com/Jiaming-Liu/BayerUnifyAug 获取。
引用
@article{arxiv.1904.12945,
title = {Learning Raw Image Denoising with Bayer Pattern Unification and Bayer Preserving Augmentation},
author = {Jiaming Liu and Chi-Hao Wu and Yuzhi Wang and Qin Xu and Yuqian Zhou and Haibin Huang and Chuan Wang and Shaofan Cai and Yifan Ding and Haoqiang Fan and Jue Wang},
journal= {arXiv preprint arXiv:1904.12945},
year = {2019}
}
备注
Accepted by CVPRW 2019