【CVPR 2020 Oral】极低光去噪论文：A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

文章来自北理工

一、代码：

https://github.com/Vandermode/ELD

二、摘要：

在极低光环境中提高可见性是一项具有挑战性的任务。在几乎无光的情况下，现有的图像去噪方法由于非常低的信噪比性能大幅下降。

在本文中，作者系统地研究了CMOS光传感器成像过程中的噪声统计量，并建立了一个能够准确表征真实噪声结构的综合噪声模型。

这个新的噪声模型考虑了由数码相机电子设备引起的噪声源，这在很大程度上被现有的方法所忽视，但对黑暗中的原始测量有重大影响，并提供了一种方法来解耦复杂的噪声结构到不同的统计分布与物理解释。

然后作者演示了利用该噪声模型合成练数据的训练的去噪模型的效果。

三、简介：

由于非常有限的光子计数和不可避免的噪声，夜间和弱光对摄影有非常严格的限制。一个自然的反应是通过收集更多的光，例如，扩大光圈设置，延长曝光时间和打开手电筒。

然而，大光圈会导致小的景深，智能手机通常无法使用；长时间曝光会由于场景变化或相机运动导致模糊；闪光灯会引起颜色像差，只对附近的物体有用。

而基于深度学习的算法需要大量的密集标记的真实训练数据，这是非常难以获得的。

因此这篇文章从基本的角度研究计算低光成像——直接建模光传感器成像过程中的噪声。

作者第一个观察结果是，去噪算法的成功设计高度取决于所采用的噪声模型的准确性。一个精确的噪声模型不仅可以激励为基于优化的方法设计合适的正则化器，而且还可以通过综合丰富的真实训练数据来设计基于良性