1、Modeling sRGB Camera Noise with Normalizing Flows (cvpr2022)
(1)总体框架
给定干净的srgb图像和噪声srgb图像,经过解量化操作(类似如图的方式,论文不一定为这个方式),将噪声srgb图像减去干净srgb图像得到纯噪声图像。
送入标准化流模块,得到高斯分布的噪声图像。
高斯噪声经过标准化流的可逆过程可以生成符合真实分布的噪声,将该噪声施加到干净的图像便可生成带噪图。
2)、前置知识------标准化流
如图所示,标准化流操作过程可以将一个未知分布经过转换变为一个已知的简单分布(如高斯分布)。
由于标准化流固有的性质------可逆过程,可以将这一简单分布经过其可逆变化得到想知道的复杂分布。
上图为其逆变换得出的概率密度公式及其损失函数。
3)模型细节------两个主要模块如下图所示
2、Learning noise-decoupled affine models for extreme low-light image enhancement(Neurocomputing 2021)
与 SIGGRAPH 2017 “Deep bilateral learning for real-time image enhancement” 类似
细节注意:
其损失函数如上,三个损失协同优化。
3、C2N: Practical Generative Noise Modeling for Real-World Denoising (ICCV 2021)
r map:一个服从高斯分布的32维随机向量
r map 和输入 x concat后送入特征提取器得到输出 (N, 2C, H, W),前C个通道作为正太分布的 loc, 后c个通道经过(ReLU + 1e-6)作为正态分布的scale,
在正态分布上采样,送入特征提取器提取信号相关的噪声 dependent noise。
随机采样高斯分布,送入特征提取器提取信号独立的噪声independent noise。
最后噪声相加即可得到噪声输出。
将噪声加到输入图像得到带噪图像,将其送入判别器判别噪声是生成器G合成的噪声还是自然界的真实噪声。