Apr, 2018

现实世界噪声图像去噪：一个新基准

PDF
TL;DR通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。
real-world noisy image denoisingcomputer vision techiniquesbenchmark datasetsparse or low rank theoriespublicly available dataset
发现论文，激发创造
  • 使用真实照片进行去噪算法基准测试

    本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

    Jul, 2017

  • RENOIR - 用于真实低光图像降噪的数据集

    该论文介绍了一个包含自然噪声的彩色图像数据集，并提出了一种噪声估计方法，然后使用这个数据集对六种去噪算法进行了评估，结果表明 MLP、Bilevel-MRF 和软阈值 NL-means 在这个数据集上超越了 BM3D。

    Sep, 2014

  • 基于 AWGN 的降噪器遇到真实噪声

    本文提出了一种使用 Pixel-shuffle Down-sampling 策略的新方法，该方法通过训练一个深度模型（由噪声估计器和去噪器组成）使用混合的 AWGN 和 RVIN 数据，从而提高使用合成独立像素噪声数据训练的实际图像去噪器返回结果的效果和泛化性能，并在 DND 基准测试的实际 sRGB 图像中取得了最先进的性能。

    Apr, 2019

  • 图像去噪方法比较

    本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

    Apr, 2023

  • 原始降噪中噪声合成和建模的反思

    本文介绍了通过直接从传感器的真实噪声中采样来合成噪声的新视角，并提出了两种有效的技术：基于模式对齐的图像块采样和高位重建来精确合成空间相关噪声和高位噪声。对 SIDD 和 ELD 数据集进行了系统实验，结果表明，该方法表现优于现有方法，对不同传感器和光照条件具有广泛的推广性，且 DNN-based 噪声建模方法不能胜过基于物理统计方法。

    Oct, 2021

  • 动态场景下带基准数据集的监督原始视频去噪

    本文提出了一种基于监督学习策略的视频降噪方法 RViDeNet，并构建了一个包括 55 组带噪声 - 无噪声对的动态视频数据集，实验表明我们的方法在室内外视频降噪方面表现优于现有算法。

    Mar, 2020

  • IDR: 迭代数据精化的自监督图像去噪

    该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集 SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

    Nov, 2021

  • 自然图像噪声数据集

    本研究介绍了自然图像噪声数据集（NIND），用于训练盲目去噪模型，此数据集包括具有不同 ISO 噪声水平的 DSLR 式图像。我们展示了使用 NIND 训练的去噪模型，其在 ISO 噪声上显着优于 BM3D，即使推广到来自不同类型的相机的图像也是如此。这个数据集是开放的，可以进行整理和贡献，并可用于未来的图像去噪应用。

    Jun, 2019

  • CycleISP：通过改进数据合成进行真实图像恢复

    本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

    Mar, 2020

  • NTIRE 2020 实际图像去噪挑战：数据集，方法和结果

    该论文旨在回顾 NTIRE 2020 关于真实图像去噪的挑战， 着重介绍新引入的数据集 SIDD+、 提出的方法以及其结果，展示在 Bayer-pattern rawRGB 和标准 RGB（sRGB）颜色空间中对图像去噪的性能进行量化评估的两个赛道，其中参赛者达到了约 250 人。22 支队伍采用了 24 种方法进行比赛，参赛团队提出的方法代表当前针对真实噪声图像的图像去噪中的最新技术表现。

    May, 2020