Learning to See in the Dark
ref:http://web.engr.illinois.edu/~cchen156/SID.html
介绍
去噪、去模糊都有,不过在低光照下还是比较难的。高ISO可以提亮,但也会放大噪声。直接缩放或者拉伸直方图,也有一定效果,不过并不能弥补光子不足的缺陷。增加曝光时间,如果移动了会变模糊。这篇文章就是喜欢严重缺少亮度的低光照条件,最好曝光时间还短。传统的去噪方法不行,拍一系列暗图也不行,这些在极低光照条件下基本都会失效。
本文采用的是数据驱动的方法,设计了一个深度神经网络,能实现颜色转换、去马赛克、减少噪声和图像增强。这种端到端的设计能减少噪声的放大和误差的积累。这篇文章提到以往大家做低光照的研究都是用的合成图像,或者没有ground truth的低光照,因此他们就收集了一些与低光照对应的清晰图像(可作为benchmark)。
相关工作:
去噪:全变分、小波域变换、稀疏编码、核范数最小化、BM3D(光滑、稀疏、低秩、自适应)。缺点:数据集一般都是合成的。一般认为BM3D在真实图片的表现结果比大部分其他算法好(Benchmarking denoising algorithm