为什么低光相机会色盲：消除原始去噪中的颜色偏差

由于光的随机性质和传感器硬件的缺陷，原始图像固有地遭受噪声的影响。随着真实光子计数的下降，噪声与信号的比率会恶化；因此，对于低光条件，稳健的去噪对于高质量结果尤其重要。虽然最近的数据驱动方法取得了强劲的性能，但它们通常依赖于大规模噪声-干净图像对，这些图像对成本高昂且难以收集。或者，参数化噪声模型可以生成合成训练数据，但这需要精确的相机校准，这对于未知设备通常是不切实际的。在这项工作中，我们提出了一种与相机无关、无需校准的低光原始去噪范式。我们确定来自黑电平误差的颜色偏差是性能下降的主要原因，并导致严重的颜色偏移。为了缓解这一点，我们引入了一个偏差估计器网络，将黑电平误差预测为噪声输入的全局特征。我们在ELD、SID和LRID数据集上评估了我们的方法，在盲去噪器中展示了优越的性能，特别是在颜色校正方面。在许多情况下，我们与具有更强监督的方法相比具有竞争力，甚至可能超越它们。此外，我们揭示了广泛使用的SIDD数据集在其真实图像中包含显著的颜色偏差，这导致训练模型产生不真实的颜色再现。我们引入了一个新的真实图像提取框架来解决这个问题，并在校正后的数据集上提供了现有方法的基准。