Learning Raw Image Denoising with Bayer Pattern Unification and Bayer Preserving Augmentation

旷世在NTIRE 2019一项Raw Image Denoising的论文，比赛中取得了第一名，排名如下图。论文：论文链接

 一、背景

图像降噪是计算机视觉低层问题，以前都是用传统的方法比如NLM、BM3D，慢慢又开始基于CNN做降噪比如DNcnn、FFDnet等。从降噪数据来分，大概有raw image降噪，real image降噪，sRGB image降噪等等。其中raw图像的噪声最简单，从raw到RGB会经过一系列处理，比如伽马矫正，白平衡，解码等等，简单的噪声分布在一系列处理中也发生了复杂的变化。近几年，开始有一些raw相关的数据集被拿出来用于比赛。（不扯了，直接看下面内容吧，关于图像降噪相关的知识和近期比较好的论文，我慢慢分享。Bayer patterns介绍。通过每个2x2块中的通道序列表示每个模式，按左上角、右上角、左下角和右下角的顺序排列。通常，有4种可能的格式，即RGGB、BGGR、GRBG和GBRG。论文中使用BGGR作为最终模型的输入格式。

二、主要内容

论文比较简短（八页