CVPROct, 2022

噪声计算的 RAW 增强技术在多种环境中实现识别

PDF
TL;DR本文提出了一种基于噪声校准的 RAW 图像增强方法，该方法通过在图像信号处理器之前对 RAW 图像执行颜色抖动和模糊增强，从而获得更真实的像素强度和噪声分布；同时，引入了噪声量对齐方法，解决数据增强导致的噪声差异问题，仅使用简单的训练数据就可以将图像识别精度提高一倍。
image recognitiondata augmentationraw imagenon-linearitychallenging environments
发现论文，激发创造
  • BSRAW：提升盲目 RAW 图像超分辨率

    通过直接处理原始图像，设计了一个适用于训练原始传感器数据模型的逼真退化管道，以实现在原始领域盲目图像超分辨率，并提出了一个新的数据集和基准

    Dec, 2023

  • 普朗克抖动：对自监督训练中颜色抖动的颜色削弱效应进行对抗

    本文研究了自监督学习中数据增强的重要性。作者提出一种基于物理模型的 Planckian Jitter 数据增强方法，改善了传统颜色 Jitter 方法带来的颜色特征表达质量下降的问题，提高了学习到的特征表达的性能，尤其是在颜色信息方面。该增强方法在实际应用中可以解决光照变化对图像识别的影响，并且该方法的特征表达对不同的光照变化具有较强的不变性，具有很好的应用前景。

    Feb, 2022

  • 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

  • 卷积神经网络训练中的数据增强：对图像注入噪声

    本研究分析了不同噪声模型及其强度对卷积神经网络的影响，通过结构相似度（SSIM）度量给出相同大小的噪声模型来进行比较，提出了一些新的启发式策略和建议，可以优化图像分类的最优学习过程。

    Jul, 2023

  • 基于可学习字典的模型化图像信号处理器

    该研究提出了一种混合模型和数据驱动的 ISP 技术，实现了 RAW 和 RGB 域的双向映射和参数学习，通过基于字典的数据增强方法，在 RAW 图像重建和去噪任务中实现了最先进的性能。

    Jan, 2022

  • 基于归一化流的 sRGB 相机噪点建模

    提出了一种基于归一化流的 sRGB 域噪声模型，能够学习不同 ISO 级别下 sRGB 图像中的复杂噪声分布，相比其他模型在噪声建模和合成任务中表现出了较大的优势，并且表明使用该模型合成噪声图像进行训练的图像去噪器优于使用基线模型去噪训练的去噪器。

    Jun, 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

  • DRAW：保护相机拍摄的原始图像免受图像篡改

    通过引入保护性信号和定位网络，我们提出了 DRAW 方案，用于保护图像免受篡改，并在多个著名 RAW 数据集上验证了其有效性。

    Jul, 2023

  • 随机平滑中的噪声增强训练理解

    本研究分析了随机平滑在噪声训练基分类器时的风险和收益，并揭示了在什么分布下可以获得收益。实验表明，理论分析对随机平滑的实际应用有直接的影响。

    May, 2023

  • 远距学习，学以致远

    通过使用真实的 RAW 传感器数据进行训练，本文表明将机器学习应用于数码变焦较为有利。作者们还展示了如何通过光学变焦图像获取高准确度的真实高分辨率图像用于训练深度神经网络，并提出了一种新的上下文双边损失（CoBi）算法，使得训练出的网络在 4 倍和 8 倍的计算缩放中实现了最佳性能。

    May, 2019