CVPRDec, 2020

低光环境下拍摄的闪光与非闪光图像深度降噪

PDF
TL;DR本文提出了一种基于神经网络的方法，用于去噪在低光环境下拍摄的带和不带闪光灯的图像对，旨在产生高质量的场景呈现，同时保留噪声的无闪光图像的颜色和情绪，同时恢复闪光所揭示的表面纹理和细节。
发现论文，激发创造
  • 双对光照全方位：一种无需校准的 RAW 降噪管线

    提出了一种无需校准的基于校准的方法，适用于任何数字增益或相机传感器；通过在少量数据和微调期间适应目标相机，减少了合成和实际噪声之间的差距，并在性能上优于其他校准性方法。

    Aug, 2023

  • 低光原始降噪的学习增强：配对真实数据与噪声建模相遇

    通过增加数据容量和降低噪声复杂度的方式，我们提出了一个可学性增强策略来提高低光下图像去噪的性能，该策略包括射击噪声增强（SNA）和黑暗遮蔽校正（DSC）两种高效技术，并在公共数据集和实际成像场景中取得了最先进的性能。

    Jul, 2022

  • 野外中通过仅闪光线索进行强鲁棒性反射消除

    提出了一种利用闪光补偿图像去除环境反射的方法，并开展了实验以进一步验证该方法的有效性，此方法的源代码和数据集也是公开的。

    Nov, 2022

  • 从不成对嘈杂数据中学习降噪的 Noisier2Noise

    本论文提出了训练神经网络进行图像去噪的方法，该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型，并适用于各种噪声模型，包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当，且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导，对于特定的高斯加性噪声的改进，以及对于乘性伯努利噪声的扩展。

    Oct, 2019

  • 无需清洗图像的逼真相机噪声建模 - Noise2NoiseFlow

    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

  • 基于物理的极低光摄影噪声建模

    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

  • 高质量自监督深度图像去噪

    利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

    Jan, 2019

  • 暗光环境下的图像识别

    推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

    May, 2018

  • DARK: 降噪、放大、修复工具箱

    该论文引入了一种新颖的轻量级计算框架，利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展，我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度，避免了过度增强和不自然的颜色偏移。关键是，我们的模型被设计成轻量级，确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实，我们的模型不仅在增强低光图像方面超过了现有方法，而且保持了最小的计算占用。

    May, 2024

  • 基于物理学的噪声形成模型用于极低光照噪声抑制

    提出一种基于 CMOS 光电传感器特性的高精度噪声形成模型，并基于此模型提出了一种用于校准现有数码相机噪声参数的简单复制方法。此模型使神经网络具备了使用丰富真实数据进行训练的能力，并应用于覆盖多个品牌数码相机的新低光噪声数据集中，获得了显著的降噪效果。

    Mar, 2020