CVPRApr, 2019

使用 Bayer 模式统一和 Bayer 保留增强学习原始图像去噪

PDF
TL;DR本文提出了基于 DNN 的原始图像去噪新数据预处理和增强技术，其中包括 Bayer 模式统一、Bayer 保持增强方法和修改后的 U-Net，以在 NTIRE2019 真实图像去噪挑战中达到 52.11 的 PSNR 和 0.9969 的 SSIM，展示了目前最先进的性能。
dnn-based raw image denoisingbayer pattern unificationbayer preserving augmentationu-netstate-of-the-art performance
发现论文，激发创造
  • 放弃 Bayer 滤镜，看见黑暗

    本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器，以生成单色原始图像，同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明，通过利用原始传感器数据和数据驱动的学习，可以显著提高图像质量。

    Mar, 2022

  • 去加工了的图像用于学习的原始去噪

    通过反演图像处理流水线的每个步骤，我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术，并在评估损失函数时建模图像处理流水线的相关组件，从而训练一个简单的卷积神经网络，相对于先前的最新技术，在 Darmstadt 噪声数据集上具有 14％-38％更低的误差率，并且是先前技术的 9 倍 - 18 倍更快，同时可以概括到该数据集之外的传感器。

    Nov, 2018

  • 通过原始图像序列的微调实现联合去马赛克和降噪

    本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克，而不需要真实 RGB 数据的方法，并应用于从 RAW 图像中学习联合去马赛克和去噪的技术，进一步证明 Fine-Tuning 带来的优势。

    May, 2019

  • 拜耳模式和非拜耳模式图像传感器的高效统一去马赛克

    该研究提出了一种高效的统一解模糊方法，适用于传统的 Bayer RAW 和各种非 Bayer CFAs 的 RAW 数据，通过在网络中使用自适应滤波器对 CFA 进行知识学习，并利用元学习来消除真实 RAW 数据中的未知传感器产生的伪影，从而在合成图像和真实 RAW 数据中取得了最先进的解模糊性能。

    Jul, 2023

  • 使用深度神经网络识别自然图像去噪的重复过程

    本论文提出了一种使用深度神经网络和内部图像统计来处理图像去噪的新方法，该方法在子波系数匹配方面表现出色，其性能达到了最先进水平，特别是对于具有强烈噪声干扰的图像，其效果更加明显，而且可以使用有限的训练数据进行训练。

    Jun, 2018

  • SAGAN：面向嘈杂的非 Bayer 重建的对抗空间不对称注意力

    本文介绍了如何使用新型空间 - 不对称注意力模块和对抗学习技术综合学习 Nona-Bayer CFA 噪声图像中的 RGB 图像重建，结果表明该方法在定性和定量比较上均优于现有的图像重建方法，并且可以避免产生任何视觉上妨碍的图像伪影。

    Oct, 2021

  • 基于 Swin-Conv-UNet 和数据合成实现的实用式盲去噪

    本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题，提出了一种新的网络架构设计和噪声退化模型，分别插入到 UNet 框架中从而达到当前最先进的性能水平。

    Mar, 2022

  • 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

  • 通过相机管道模拟生成去噪实际 RGB 图像训练数据

    本文研究基于真实噪声模型的图像降噪方法，在相机管道中模拟真实的图像噪声和降噪，发现噪声模型对学习模型效果的提升有重要作用，通过模拟降噪和图片拼合进而提高噪声模型的真实度和效果。

    Apr, 2019

  • 用于有效联合去马赛克 - 去噪的残差学习

    本文提出了一种优于当前最先进方法的图像去马赛克和降噪算法，该算法将传统的 CFA 处理流程中的处理顺序颠倒，首先进行图像去马赛克，然后进行降噪，避免了传统方法中的众多问题。算法利用卷积神经网络进行实现并具有处理高噪声的能力。

    Sep, 2020