YOND：实用盲原始图像去噪，无相机特定数据依赖性

摄影的快速发展催生了对实用盲原始图像去噪方法日益增长的需求。近期，基于学习的方法因其优异性能已成为主流。然而，大多数现有基于学习的方法受相机特定数据依赖性的影响，在应用于未知相机数据时性能下降。为应对这一挑战，我们提出了一种名为YOND（You Only Need a Denoiser）的新型盲原始图像去噪方法。YOND仅基于合成数据训练，可鲁棒地泛化至来自不同未知相机的含噪原始图像。具体而言，我们提出了三个关键模块以确保YOND的实用性：粗到细噪声估计(CNE)、期望匹配方差稳定变换(EM-VST)和信噪比引导去噪器(SNR-Net)。首先，我们提出CNE以识别相机噪声特征，基于粗去噪图像细化估计的噪声参数。其次，我们提出EM-VST以消除相机特定数据依赖性，根据含噪图像校正VST的偏差期望。最后，我们提出SNR-Net以提供可控的原始图像去噪，支持自适应调整和手动微调。在未知相机上的广泛实验以及针对挑战性案例的灵活解决方案证明了我们方法的优越实用性。源代码将在项目主页 https://fenghansen.github.io/publication/YOND 公开发布。