raw数据噪声标定（AISP_NR: 2D AI-Noise Reduction for RAW Images）

最新推荐文章于 2025-01-11 16:28:24 发布

无名好人嘻嘻

最新推荐文章于 2025-01-11 16:28:24 发布

阅读量1.7k

点赞数 11

文章标签：人工智能图像处理论文阅读 python

本文链接：https://blog.csdn.net/gfhgjbh/article/details/139347633

版权

刚开始接触RAW数据去噪方向，有任何错误欢迎指正。

过程参考GitHub文章AISP_NR: 2D AI-Noise Reduction for RAW Images：GitHub - HuiiJi/AISP: 2D AI-NR model for raw images, including dataset、training、infer.

除此外，对比整理了讨论度很高的ELD方法：A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

GitHub - Vandermode/ELD: Physics-based Noise Modeling for Extreme Low-light Photography (CVPR 2020 Oral & TPAMI 2021)

噪声参数标定的意义：根据噪声模型合成数据，不需要大量真实配对模型。（如用ELD训练的模型结果和配对真实数据训练结果相当）

大体过程总结为：提出噪声模型 --> 对噪声参数进行标

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

无名好人嘻嘻

关注关注

11
点赞
踩
25

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

大疆的raw图噪声合成：Towards General Low-Light Raw Noise Synthesis and Modeling

tony365的博客

03-08

1638

这是关于raw noise model的最新一篇论文，结合了物理建模和深度学习，创新点吧也是有一些的，当然作者也提到可能对于特别暗的场景可能效果好一些，如果sidd数据集其实 P-G噪声模型也许就够好了，实际使用的适合我主要是基于PG，以及sampling建模的方法，标定噪声和制作数据集。这一系列论文是不断对raw noise model的建模方法改进，来生成噪声数据，效果是可以的。当然如果直接使用 n2n, nb2nb等无监督方法降噪也是可以的。建模越准，训练的model效果就会越好吗？

噪声：Practical Poissonian-Gaussian noise modeling and fitting for single-image raw-data

qq_34901691的博客

08-01

2996

Practical Poissonian-Gaussian noise modeling and fitting for single-image raw-data 文章目录Practical Poissonian-Gaussian noise modeling and fitting for single-image raw-dataPoissonian-Gaussian ModelingThe Noise Profile AlgorithmWavelet domain analysisSegmentat

3 条评论您还未登录，请先登录后发表或查看评论

raw数据噪声模型和标定

zcg1942的博客

03-01

3227

噪声在ISP中去得越早越好，因为噪声在最开始成像的过程中就引入了，之后只会不断放大。具体而言，噪声产生的位置就是上图中绿色框的区域。

ICCV'23｜无需标定的pipeline，极暗场景RAW图像去噪新SOTA！

深度学习技术前沿

08-11

496

作者丨Srameo@知乎来源丨https://zhuanlan.zhihu.com/p/648242095编辑丨极市平台Homepage：https://srameo.github.io/projects/led-iccv23Paper：https://arxiv.org/abs/2308.03448Github：https://github.com/Srameo/LEDGoogle Drive：...

paper（Raw域CFA模式下的去噪）MATLAB code

08-17

论文中（Raw域CFA模式下的去噪）MATLAB code,在Raw域中进行去噪

论文阅读《A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising》CVPR2020

ISP行业的忠实粉丝

09-15

4334

论文阅读《A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising》摘要由于缺乏丰富以及真实的数据，基于学习的单图像去噪算法不能很好的推广到RAW图像，并且RAW图像与训练所用的数据不同。尽管可以通过用于噪声合成的异方差高斯模型来缓解数码相机电子元件导入的噪声的问题。但是这种情况在光线较低的情况下很难去做。为了解决这个这个问题，提出了一种基于CMOS光电传感器的特性，从而使得我们能够合成更匹配的真实样本。鉴于提

图像传感器噪声建模与分析

luzhanbo207的博客

10-21

3861

图像传感器在做信号采集的时候往往会引入噪声，在采集到的raw图像中能够拿到没有经过任何处理的传感器信号，因此对于传感器噪声进行分析与建模有助于我们认识传感器噪声，从而帮助我们设计raw图像的降噪算法。本文从传感器模型层面分析单像素点的噪声模型，不考虑通道之间的串扰问题。相机中图像采集和处理的基本流程如下图所示：从上图可知，光信号经过镜头之后通过传感器转换成电信号记录下来，记录下来的电信号即为原始的raw图像，将raw图像送给图像信号处理器（image signal processor， ISP）进行一

【低光去噪】Rethinking Noise Synthesis and Modeling in Raw Denoising

专注人工智能，主攻CV

12-22

1772

理解和分析Rethinking Noise Synthesis and Modeling in Raw Denoising

图像降噪之Unprocessing Images for Learned Raw Denoising

程序员深度学习

09-30

3283

1. 摘要当用于训练的数据与用于评估的数据相似时，机器学习技术最有效。这对于学习过的单图像去噪算法来说是正确的，这些算法应用于真实的原始相机传感器读数，但由于实际的限制，通常在合成图像数据上进行训练。虽然从合成图像推广到真实图像需要仔细考虑相机传感器的噪声特性，图像处理管道的其他方面(如增益、颜色校正和色调映射)常常被忽略，尽管它们对原始测量数据如何转换成最终图像有重要影响。为了解决这个问题，我们提出了一种通过反转图像处理管道的每个步骤来反处理图像的技术，从而使我们能够从普遍可用的互联网照片合成现实的原.

【低光去噪】理解ELD（Physics-based Noise Modeling for Extreme Low-light Photography）

专注人工智能，主攻CV

03-27

2918

一句话总结：使用改论文提出的噪声生成模型合成数据所训练出的模型，其网络去噪能力可以媲美用大量配对数据训练的模型，避免费时费力地采集大量真实配对数据。

论文讲解：A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

Matrix-11

08-17

4782

论文讲解：A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising Introduction 这是发表在 CVPR 2020 上的一篇文章，依然是介绍如何构造更加真实的噪声数据，以用来处理暗光下的降噪问题，这篇文章比较系统地介绍了 sensor 在成像过程中的噪声是如何产生的，以及如何对噪声分布进行估计和参数的标定。对于了解 ISP 成像中的噪声问题有比较好的借鉴。在 ISP 中，比较关键的两个图像质量一个是噪声，另

raw denoising: Learnability Enhancement for Low-light, ELD,rethinking noise synthesis

tony365的博客

06-19

856

对于场景很暗的图像，又lowbit的情况下，数据量比较少，难以通过统计信息得到比较多有价值的信息。通过以上步骤可知，在已知 clean-noisy(noisy可以是合成的) pair和噪声参数的情况下可以得到增强后的clean-noisy pair。和一般的通道颜色增强还是不同的，这里clean, noisy的通道都发生变化，增强了数据的多样性同时保持噪声model。泊松噪声的参数可以通过flat frame标定得到，而其他噪声作者采用采样的方式得到，从哪里采样呢？

Raw域Denoising的噪声如何标定

最新发布

Just_do_myself的博客

01-11

1074

每个阶段都会引入不同的噪声，所以整个成像过程的噪声源有很多，但主要噪声源有光子散粒噪声、读出噪声、热噪声、暗电流噪声等。而且，文中工作对噪声和ISO进行了解耦，不用为了适应很大ISO范围的噪声而把模型设计的很大，只用较小的计算量便能cover住较大的ISO范围，更不需要为每个ISO挡位专门训练一个模型。所以这篇论文中提出了一种噪声标定的方法，根据sensor噪声标定的结果合成大量训练数据，由于模型只需要适应特定sensor的噪声，所以可以用较小的计算量达到更好的降噪效果。简化一下，令k=gα，

顶刊TPAMI 2023！数据视角下的低光去噪可学习性增强

阿木寺的博客

08-30

1841

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【目标检测和Transformer】交流群作者：墨天明（源：知乎，已授权）| 编辑：CVer公众号https://zhuanlan.zhihu.com/p/651674070本文为我们刚刚被TPAMI接收的工作“Learnability Enhancement for Low-Light Raw Image De...

浅谈ISP-图像噪声模型3

feiyanjia的博客

10-20

2000

raw data噪声模型

Sigmastar平台_宽动态调试思路

sinat_29634715的博客

01-20

2423

1.获取合理的长帧、短帧：长帧保证暗区细节，信噪比好，尽可能取长帧；短帧保证长帧过曝区域细节。 (1)目标亮度+曝光比--->长帧、短帧的快门、增益 (2)曝光比太大，短帧的噪声可能压不住；曝光比太小，长帧提早拉gain，长帧噪声会比较大。Sigmastar文档建议10倍（10240）注：sigmastar平台曝光比有两种模式：一种是长短帧增益一致，快门成曝光比；一种是长短帧增益*快门成曝光比。sensor驱动要对应配置下，fae建议使用前一种模式，曝光比较准 (3)如果真宽动态暗区噪声..

What's new in image denoising - 图像去噪进展

zbwgycm的博客

05-09

6850

What‘s new in image denoising 最近看了不少论文，闲下来对这些文章做一个总结，把握一下这个领域发展的一些小趋势吧。下面总结主要以去噪方法为主，辅助介绍一些图像复原任务中的通用方法。Let’s do it！下面主要从以下几个方面介绍：数据预处理网络结构多任务结合和先验数据预处理 RAW vs RGB 现在越来越多的去噪方法应用于RAW域。RAW域与RGB域比...

ISP图像信号处理——平场校正介绍以及C++实现

qq_45813590的博客

09-27

2859

平场校正一般先用FPN(Fixed Pattern Noise)固定图像噪声校正,即暗场校正；再用PRNU(Photo Response Non Uniformity)图像非均匀性响应校正，即明场校正；进行图像或者相机的校正。平场校正就是以整帧图像的均值或者中值为目标图像，根据每个像素的特性不同，以响应增益gain为系数K和偏置offset为系数B，对每个像素进行校正，从而使得整幅图像看起来很均匀平滑，当然，为了简化计算，节省资源，也可以使用多个相邻的像素使用同一组校准参数。

ICCV 2023 | 对于极暗场景RAW图像去噪，你是否还在被标定折磨？来试试LED！少量数据、快速部署！...

阿木寺的博客

08-11

2332

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【去噪和论文投稿】交流群作者：Srameo |已授权转载（源：知乎）编辑：CVerhttps://zhuanlan.zhihu.com/p/648242095本文为 [ICCV 2023]LightingEveryDarkness in Two Pairs: A Calibration-Free Pip...