RCD_Real-time Controllable Denoising for Image and Video_CVPR2023

Abstract

图像去噪的目标：生成符合人类感知先验、平衡锐度和平滑度的干净样本

问题：深度学习图像去噪模型要想针对不同噪声强度调整去噪强度，需要改网络推理过程，无法实时交互。

本文解决思路：提出 RCD ，一次推理，可交互的实时的修改去噪等级

创新点：1、模型最后一层改为输出多个噪声图的轻量级模块。2、提出噪声去相关步骤。①增强噪声特征映射的正交性；②通过噪声图插值控制噪声level（？

1、Introduction

PSNR、SSIM的提升不一定带来视觉质量的提升。

现有生成continuous重建效果的方法，缺点是：缺少可解释性；变一个参数重新训练一个模型，低效；真实世界采集明显退化的图困难；

实时可控的去噪方法：对噪声样本处理获得初步结果后可根据去噪强度、人的主观感知进行微调

传统控制去噪：依赖于控制网络
RCD：产生不同强度的 editable noises

方法可参考性不强，暂时就了解到这儿。