用于学习型原始数据去噪的图像逆处理
计算机视觉与模式识别
2018-11-28 v1 机器学习
摘要
机器学习技术在训练所用数据与评估所用数据相似时效果最佳。这对于学习型单图像去噪算法同样成立：此类算法应用于真实原始相机传感器读数，但由于实际限制，常使用合成图像数据训练。尽管已知从合成数据泛化到真实数据需要仔细考虑图像传感器的噪声特性，但相机图像处理流水线的其他方面（增益、色彩校正、色调映射等）常被忽视，尽管它们对原始测量如何转换为成品图像有显著影响。为此，我们提出一种通过反转图像处理流水线各步骤来“逆处理”图像的技术，从而能够从常见的互联网照片合成逼真的原始传感器测量值。我们还在评估损失函数时对图像处理流水线的相关组件进行建模，使训练能感知去噪后将发生的所有相关光度处理。通过以这种方式处理和逆处理模型输出与训练数据，我们能够训练一个简单的卷积神经网络，其在 Darmstadt Noise Dataset 上的误差率比先前最先进技术低 14%–38%，且速度快 9–18 倍，并能泛化至该数据集之外的传感器。
引用
@article{arxiv.1811.11127,
title = {Unprocessing Images for Learned Raw Denoising},
author = {Tim Brooks and Ben Mildenhall and Tianfan Xue and Jiawen Chen and Dillon Sharlet and Jonathan T. Barron},
journal= {arXiv preprint arXiv:1811.11127},
year = {2018}
}
备注
http://timothybrooks.com/tech/unprocessing/