本文研究了 CMOS 图像传感器成像管线中的噪声统计，并制定了一种全面的噪声模型，以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据，并在多个低光照度去噪数据集上进行的实验表明，使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。

Aug, 2021

通过使用生成模型来综合信号独立噪声，该方法可以同时学习不同 ISO 级别的噪声特性，并在各种传感器上进行泛化，通过傅里叶变换鉴别器准确区分噪声分布，验证结果显示该模型产生的噪声分布与实际噪声非常相似，对不同传感器进行去噪实验显示该方法在各个方面优于现有技术。

Jul, 2023

本论文提出了一种基于数据驱动的方法来学习真实世界的噪声模型，该模型是相机感知的，可以学习不同摄像头传感器的不同噪声特性，实验证明这种方法优于现有的统计噪声模型和基于学习的方法。

Aug, 2020

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

该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

Jun, 2022

该论文提出了一个基于 CCD 和 CMOS 光传感器的高层次模型，并描述了使用该模型进行图片合成和噪声测试的过程，实验证明了该模型的有效性和应用范围。

Dec, 2014

通过模拟噪声的成像过程并将其应用于合成训练数据，评估了 3D 相机捕获数据中噪声的影响。通过构建特定场景的数据集，模型了侧向噪声（影响图像平面上捕获点的位置）和轴向噪声（影响垂直于图像平面的轴上的位置）。通过对渲染数据进行实验来评估添加人工噪声的附加益处，训练了一系列不同噪声水平的神经网络，并测量其在真实数据上的泛化能力。结果表明，使用过少或过多的噪声会损害网络性能，这表明从真实扫描仪获取噪声模型对于合成数据生成是有益的。

Feb, 2024

通过学习物理引导噪声神经代理（PNNP）从暗帧中来精确建模噪声，我们开发了一个新颖的框架，它集成了三种高效的技术：物理引导噪声解耦（PND），物理引导代理模型（PPM），可微分的分布导向损失（DDL），以提高低光原始图像降噪的性能。

Oct, 2023

通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

Apr, 2019

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