Feb, 2024

带噪声模型的3D摄像头合成训练数据增强

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 控制噪声标签的深度学习：超越合成噪声

    本文通过建立了第一个来自网络的真实标签噪声控制基准，解决了以往研究只着眼于控制合成标签噪声的缺点，并通过简单而有效的方法克服了合成和真实噪声标签，对不同噪声水平、噪声类型、网络结构和训练设置等方面进行了迄今为止最大的研究，以深入了解深度神经网络在噪声标签训练中的表现。

    Nov, 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

  • 学习相机感知噪声模型

    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

  • 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

  • C2N: 实用的生成式噪声建模用于真实世界降噪

    提出了一种Clean-to-Noisy的图像生成框架，用以模拟真实复杂的噪声分布，并训练图像去噪模型以优于现有的无监督学习方法。

    Feb, 2022

  • 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

  • 扩散模型实现逼真噪声合成

    该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

    May, 2023

  • 基于图像和元数据的相机系统实时噪声源估计

    自主机器必须自我维持适当功能以确保人类和自身的安全，本研究主要研究了一个实时、内存高效和可靠的噪声源估计器，结合了数据和物理模型，用于检测相机的噪声源，通过分析相机元数据和图像来量化噪声的贡献。

    Apr, 2024