这篇文章的贡献主要有两个,一个是给出了新的低光数据集,不过是raw格式的;另一个是给出了一个在极低光照,极低SNR情况下能够有很好结果的网络
Abstract& instruction
在光照毁灭性弱的情况下,传统的相机处理pipeline是不再适用的,必须要从raw格式文件来重建
于是我们通过学习的方式建立起了一个网络,这个网络可以对弱光图像给出新的pipeline,效果还不错,而之前的那些各种方法都是假设在正常的pipeline可以用的情况下的
网络结构
用的全连接网络(FCN),因为前人的研究中发现FCN能够拟合相机图像处理的pipeline中的很多步骤,所以干脆拿它来把整个ISP模拟出来
不足
我们的工作未解决HDR色调映射。SID数据集受到限制,因为它不包含人类和动态对象。提出的管道的结果是不完善的,可以在以后的工作中加以改进。 x300子集尤其具有挑战性。图10(d)展示了所提出方法的输出中的一些伪像。所提出的管线的另一个限制是放大率必须在外部选择。从输入中推断出类似于自动ISO的良好放大率将很有用。此外,我们目前假设针对给定的相机传感器训练了专用网络。我们对交叉传感器泛化的初步实验令人鼓舞,未来的工作可能会进一步研究弱光成像网络的泛化能力。未来工作的另一个机会是运行时优化。呈现的管线分别需要0.38和0.66秒来处理全分辨率的Sony和Fuji图像;尽管可以实时生成低分辨率的预览,但这对于以全分辨率进行实时处理还不够快。我们期望未来的工作,例如通过系统地优化网络体系结构和培训程序,来进一步改善图像质量。我们希望SID数据集和我们的实验结果能够刺激并支持这种系统的研究。