## 0 Abstract 卷积神经网络(CNNs)在使用加性高斯白噪声(AWGN)的图像去噪方面取得了令人印象深刻的成功，但它们在真实世界的噪声照片上的性能仍然有限。主要原因是他们所学习的模型容易在简化的AWGN模型上过拟合，严重偏离了复杂的真实噪声模型。 为了对真实世界获得的图片有更好的去噪效果，一个是采用更加符合实际的噪声模型，另一个是利用真实世界获得的噪声和干净图片进行训练。 作者提出一个噪声估计网络+Unet网络的结构，同时引入了非对称的损失函数，对低估噪声进行加强，获得更好的效果。 ## 1 Introduction 前人的工作通常在加入高斯白噪声的图像进行去噪处理。然而，在真实的摄像机系统中，图像噪声来自多个来源（如暗电流噪声、短噪声和热噪声），并进一步受到摄像机内处理(ISP)管道的影响（如解识别、伽马校正和压缩）。因此去噪真实世界的嘈杂照片仍然是一个具有挑战性的问题 现有的CNN去噪模型通常对AWGN白噪声过拟合，但是对于更复杂的真实噪声的拟合度较差。因此，CNN模型的好坏与合成噪声和真实噪声是否匹配具有很大的关系。 作者提出利用**泊松——高斯混合分布模型**对其进行建模。用于拟合拍摄时产生的光噪声，和相机内部ISP等处理的噪声。 同时在训练模型的时候，作者采用了生成图片和真实图片共同训练的方式。生成的图片很容易获得大量的合成噪声图。然而，我们的模型并不能完全表征真实照片中的噪声；真实场景图片通过在同一场景中平均数百幅噪声图像来获得无噪声图像。然而，这种解决方案的成本很昂贵，并受到无噪声图像的过度平滑效应。作者将这两种混合，也获得了结果上的提升。 ### 本文的主要贡献 - 通过同时考虑异方差高斯噪声和摄像机内处理管道，提出了一个真实的噪声模型，更加真实的建模利于降噪工作。 - 为了更好地表征真实图像噪声，采用了合成噪声图像和真实噪声照片，提高去噪性能。 - 利用噪声估计子网络的引入，提出了非对称损失来提高对真实噪声的泛化能力，并通过调整噪声水平映射来允许交互式去噪。 - 在三个真实世界的噪声图像数据集上的实验表明，CBDNet在定量指标和视觉质量方面都取得了最先进的结果。 ## 2 Related Work 作者在此针对CNN的降噪器、图像噪声建模和图像盲降噪三个方面，回顾了一些前人的工作。 ### 2.1 Deep CNN Denoiser ### 2.2 Image Noise Modeling ### 2.3 Blind Denosing of Real Image ## 3 Proposed Method  最后编辑：2024年04月23日 ©著作权归作者所有 赞 0 分享
最新回复