《NTIRE 2020 Challenge on Real Image Denoising: Dataset, Methods and Results》阅读

看这篇论文的原因，想了解一下这个比赛以及这个比赛中比较好的去噪模型。以下就是简单的翻译了一下，方便自己回顾。

摘要

本文重点介绍了NTIRE 2020在真实图像去噪方面的挑战，重点是新引入的数据集，提出的方法及其结果。 挑战是以前的NTIRE 2019基于SIDD基准的真实图像降噪挑战的新版本。 这项挑战基于新收集的验证和测试图像数据集，因此命名为SIDD +。
   这一挑战有两个方面，它们可以定量评估（1）Bayer模式rawRGB和（2）标准RGB（sRGB）颜色空间中的图像降噪性能。
   每个曲目约250名注册参与者。 挑战的最后阶段共有22个团队（提出24种方法）参加了比赛。 参与团队提出的方法代表了针对实际嘈杂图像的图像去噪的最新技术性能。 新收集的SIDD +数据集可在以下网址公开获取：https：//bit.ly/siddplus_data。

1.介绍

       图像降噪是基础和活跃的研究领域（例如[39、47、48、15]），在计算机视觉领域（例如[21、24]）具有悠久的历史。 图像去噪的主要目标是出于美学目的或帮助改善其他下游任务而去除或校正图像中的噪声。 多年以来，研究人员主要依靠合成噪声图像来开发和评估图像降噪器，尤其是加性高斯白噪声（AWGN），例如[9，11，47]。 近来，更多的注意力集中在评估真实噪声图像上的图像降噪器[3、36、4]。 为此，我们提出了这一挑战，作为一种评估和基准测试真实噪声图像上的图像降噪器的方法。
       这项挑战是智能手机图像降噪数据集（SIDD）基准测试[3]的新版本，具有新收集的验证和测试数据集，因此命名为SIDD +。 原始的SIDD由原始传感器数据（rawRGB）和标准RGB（sRGB）颜色空间中的成千上万个真实的噪点图像组成，并具有估计的真实性。在这一挑战中，我们提供了两条轨迹，分别在rawRGB和sRGB颜色空间中对图像降噪器进行基准测试。在下一部分中，我们将提供有关这两个轨道的更多详细信息。

2.挑战

       该挑战是NTIRE 2020相关挑战之一，其中包括：去模糊[34]，非均匀去雾[5]，可感知的极端超分辨率[46]，视频质量映射[14]，真实图像去噪[2]，真实世界超级分辨率[32]，根据RGB图像的光谱重建[7]和降级[45]。NTIRE 2020实像去噪挑战赛是先前NTIRE 2019挑战赛的延伸[4]。 两项挑战均旨在衡量和推进图像去噪的最新技术。 挑战的重点在于评估真实（而非合成）噪点图像上的图像降噪器。 接下来，我们介绍有关此版本挑战中使用的新数据集以及如何设计挑战的一些详细信息。

2.1.数据集

       SIDD数据集[3]用于提供挑战的训练图像。  SIDD数据集包含来自十个不同场景的数千个真实的噪点图像及其相应的地面真实性，并使用五台不同的智能手机相机在不同的照明条件和ISO级别下反复捕获。  ISO级别从50到10,000。 图像以rawRGB和sRGB颜色空间提供。为了进行验证和测试，我们按照与生成SIDD验证和测试数据集所使用的过程类似的步骤，收集了2048张图像的新数据集。

2.2. 挑战设计与轨道

        轨道 我们提供了两个轨道，以基于两种不同的颜色空间（rawRGB和sRGB）对建议的图像降噪器进行基准测试。  rawRGB格式的图像表示直接从相机传感器获取的经过最少处理的图像。 这些图像位于与传感器相关的颜色空间中，其中R，G和B值与传感器的滤色器阵列对入射可见光的光谱敏感性有关。  sRGB格式的图像代表相机的原始RGB图像，这些图像已由相机内图像处理管道处理以将与传感器相关的RGB颜色映射到与设备无关的色彩空间，即标准RGB（sRGB）。 不同型号的相机会应用自己专有的照片处理例程，包括几种非线性颜色处理，以修改rawRGB值以使其看起来更具视觉吸引力（有关更多详细信息，请参见[20]）。 我们注意到，所提供的sRGB图像未压缩，因此不显示压缩伪像。对rawRGB进行降噪通常会表示在相机内图像处理管道内应用的降噪模块。 对sRGB图像进行降噪将表示在相机内进行颜色操作后应用的降噪模块。 正如最近的工作[4、3、36]中发现的那样，图像降噪器在rawRGB颜色空间中的表现往往要好于sRGB颜色空间。但是，rawRGB图像远不如sRGB图像常见，后者很容易以JPEG和PNG等常见格式保存。 由于SIDD数据集同时包含同一图像的rawRGB和sRGB版本，因此我们发现为每个颜色空间中的降噪提供单独的轨道是可行的。 这两个赛道都遵循类似的数据准备，评估和比赛时间表，如下所述。

       数据准备 所提供的训练数据是SIDD-Medium数据集，该数据集由rawRGB和sRGB空间中的320张噪声图像以及相应的地面真实情况和元数据组成。 每个有噪点或地面真实图像是[0，1]归一化rawRGB值的二维数组（马赛克彩色滤镜数组）。以单精度浮点格式保存为Matlab .mat文件。 元数据文件包含rawRGB图像的Tiff标签的字典，另存为.mat文件。

       我们按照类似于SIDD [3]中使用的过程收集了一个新的验证和测试数据集，因此，我们将新数据集命名为SIDD +。

       SIDD +验证集由形成rawRGB和sRGB图像的1024个噪点图像块（即裁剪）组成，每个块为256×256像素。 这些块是从32个图像中获取的，每个图像有32个块（32×32 = 1024）。 所有图像块都合并为单个4D形状的数组[1024，256， 256]，其中每个连续的32个图像都属于同一图像，例如，前32个图像属于第一个图像，依此类推。 这些块具有与训练数据相同的数字格式。 同样，SIDD +测试集由来自不同图像集的1024个噪点图像块组成，但遵循与验证集相同的格式。 还为所有64张图像提供了图像元数据文件，从中提取了验证和测试数据。 所有新创建的验证和测试数据集都是公开可用的。

       我们还提供了用于将SIDD数据集1的RawRGB图像渲染为sRGB的模拟相机管道。 提供的管线提供了一组类似于车载摄像头管线的处理阶段。 这些阶段包括：黑色电平减法，有效区域裁剪，白平衡，色彩空间转换和全局色调映射。

        评估  评估是基于还原后的干净（去噪）图像与真实图像的比较。 为此，我们使用标准峰值信噪比（PSNR）和互补的结构相似性（SSIM）指数[41]  。在大多数图像处理工具箱中都可以找到实现。 我们报告提供的所有图像块的平均结果。

       为了提交结果，要求参与者以与输入数据相同的方式（即[1024，256，256]）以多维阵列形式提供去噪图像块。 此外，还要求参与者提供其他信息：算法每百万像素的运行时间（以秒为单位）； 该算法在运行时采用CPU还是GPU； 是否将额外的元数据用作算法的输入。

      在挑战的最后阶段，要求参与者提交情况说明书，以提供有关团队的信息并描述他们的方法。

      时间     线挑战时间线分为两个阶段。 验证阶段于2019年12月20日开始。最终测试阶段于2020年3月16日开始。在验证和测试阶段，每个参与者分别被允许最多提交20和3份意见书。 挑战于2020年3月26日结束。

3.挑战结果

       每个阶段大约有250名注册参与者，有22个团队进入了最后阶段并提交了结果，代码/可执行文件和情况说明书。 表1和表2分别以raw RGB和sRGB轨道的峰值信噪比（PSNR）和结构相似性