论文讲解:A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

本文主要是介绍论文讲解:A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文讲解:A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

Introduction

这是发表在 CVPR 2020 上的一篇文章,依然是介绍如何构造更加真实的噪声数据,以用来处理暗光下的降噪问题,这篇文章比较系统地介绍了 sensor 在成像过程中的噪声是如何产生的,以及如何对噪声分布进行估计和参数的标定。对于了解 ISP 成像中的噪声问题有比较好的借鉴。

在 ISP 中,比较关键的两个图像质量一个是噪声,另外一个就是颜色,暗光下的噪声一般都比较严重,而且暗光下的颜色也不太好校正,暗光下的白平衡一般也是一个比较困难的问题。白平衡及颜色可以留在后面的文章再讨论,今天主要介绍暗光下的降噪问题。

ISP 中,噪声主要分为固定模式噪声和随机噪声,固定模式噪声,及 fixed pattern noise (FPN) 和 sensor 的制造工艺有关,这里不做讨论,一般学术界或者工业界处理比较多的都是随机噪声,随机噪声在 sensor 成像的流程中有几个地方都会产生:

在这里插入图片描述

  • 插入图片

如上图所示,环境中的光和物体反射的光,通过镜头模组,照射到 CMOS sensor 上,通过光电效应,光子激发出电子,电子在 sensor 上的电势井里累积形成电压,电压信号通过模拟放大器放大,得到模拟电信号,然后再通过模数转换器及量化得到数字信号,量化输出 RAW 数据,这是 sensor 成像的一般流程,这个过程中,会有几种噪声产生,光电转换会产生 shot noise,模拟放大会产生 read noise,模数转换会产生量化噪声,除此之外,sensor上也会产生暗电流,从而形成暗电流噪声。

Physics-based Noise Formation Model

RAW 域的成像模型可以表示成如下式:

D = K I + N D = KI + N D=KI+N

其中, I I I 表示光电转化的电荷数, K K K 表示整个系统的增益, N N N 表示噪声

这篇文章从这个表达式出发,对不同流程中的噪声形态进行分布估计。

From Photon to Electrons

首先是光电转换,光线通过镜头模组照射到 sensor 上,激发出电荷,这个过程是有一定的随机性的,激发出的电荷多少与 sensor 的光电转换效率有关,也与 sensor 上每个 pixel 的 size 大小有关,但这个过程可以用泊松分布来表示:

( I + N p ) ∼ P ( I ) (I + N_p) \sim \mathcal{P}(I) (I+Np)P(I)

其中, N p N_p Np 表示光子散粒噪声,可以看到这个分布和光照强度有关,shot noise 是光电效应带来的固有属性,很难消除,除了 shot noise,还有一种称为暗电流的噪声,因为光电转换的时候,sensor 会发热,从而也会激发出电子,从而产生暗电流噪声,为什么称为暗电流噪声,因为我们把镜头遮住,在一个完全无光的环境下拍摄图像,虽然拍摄的 RAW 图是黑的,但不是绝对的 0 值,而是有一定的数值,这些数值其实就是暗电流噪声,暗电流噪声一般可以通过标定的方式得到,这里成为 N d N_d Nd

From Electrons to Voltage

光电转换之后,接下来就是电荷转换为电压,电压信号经过模拟器放大,得到模拟电信号,这个过程也会产生随机噪声,文章里把噪声分成 thermal noise, reset noise, source follower noise and banding pattern noise,这些噪声统称 read noise,

N r e a d = N t + N s + N d N_{read} = N_t + N_s + N_d Nread=Nt+Ns+Nd

一般我们都认为 read noise 服从高斯分布,不过这篇文章对 read noise 用了另外一种分布来表示,Tukey lambda distribution,

N r e a d ∼ T L ( λ , 0 , σ T L ) N_{read} \sim TL(\lambda, 0, \sigma_{TL}) NreadTL(λ,0,σTL)

文章中还介绍了一种 Banding pattern noise,这种噪声分布建模成高斯分布。

From Voltage to Digital Numbers

最后就是量化噪声,这里的量化噪声建模成均匀分布:

N q ∼ U ( − 1 / 2 q , 1 / 2 q ) N_q \sim U(-1/2q, 1/2q) NqU(1/2q,1/2q)

To summarize

所以最终,噪声的分布表示为:

N = K N p + N r e a d + N r + N q N = KN_p + N_{read} + N_r + N_q N=KNp+Nread+Nr+Nq

分别对应上面的 shot noise,read noise,row noise 以及 quantization noise

Estimating noise parameters

对噪声分布进行建模之后,剩下的就是对模型参数的估计,从噪声模型的表达式来看,需要估计的参数有系统增益 K K K, 散粒噪声 N p N_p Np,读出噪声 N r e a d N_{read} Nread, 行噪声 N r N_r Nr 及量化噪声 N q N_q Nq

为了估计这些参数,文章中设计了一些实验,拍摄了两种类型的图像,一种是 flat-field images,另外一种是 bias images,其中 flat-field images 就是光照均匀的环境下获取的图像,这样可以估计出 K 值,然后进而估计出图像亮度 I 值,然后再构造一个泊松分布,将噪声添加到 I 上再乘以 K 值,从而模拟 shot noise。

在这里插入图片描述

bias images 是另外一种图像,简单来说就是在黑暗的环境下,盖住镜头,拍摄多帧图像,对图像做离散傅里叶变换,可以看到一条明显的竖直的线,这条线和 banding pattern noise 有关,为了分析噪声的分布,可以对图像的每一行求平均值,然后做一个均值,方差的估计,从而估计出 banding pattern noise 的 scale,然后用 bias images 减去 banding pattern noise,用一个统计模型去拟合剩下的残差,最后得到一个联合的参数分布模型:

log ⁡ ( K ) ∼ U ( l o g ( K ^ m i n ) , K ^ m a x ) log ⁡ ( σ T L ) ∣ log ⁡ ( K ) ∼ N ( a T L log ⁡ ( K ) + b T L , σ ^ T L ) log ⁡ ( σ r ) ∣ log ⁡ ( K ) ∼ N ( a r log ⁡ ( K ) + b r , σ ^ r ) \log(K) \sim U (log(\hat{K}_{min}), \hat{K}_{max}) \\ \log(\sigma_{TL})|\log(K) \sim \mathcal{N}(a_{TL} \log(K) + b_{TL}, \hat{\sigma}_{TL}) \\ \log(\sigma_{r})|\log(K) \sim \mathcal{N}(a_r\log(K) + b_r, \hat{\sigma}_{r} ) log(K)U(log(K^min),K^max)log(σTL)log(K)N(aTLlog(K)+bTL,σ^TL)log(σr)log(K)N(arlog(K)+br,σ^r)

其中, U ( ⋅ , ⋅ ) U(\cdot,\cdot) U(,) 表示均匀分布, N \mathcal{N} N 表示高斯分布。

通过这组参数分布,可以进行噪声的估计,从而模拟真实环境的噪声分布。

这篇关于论文讲解:A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/457395

相关文章

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

C++ vector的常见用法超详细讲解

《C++vector的常见用法超详细讲解》:本文主要介绍C++vector的常见用法,包括C++中vector容器的定义、初始化方法、访问元素、常用函数及其时间复杂度,通过代码介绍的非常详细,... 目录1、vector的定义2、vector常用初始化方法1、使编程用花括号直接赋值2、使用圆括号赋值3、ve

Pydantic中model_validator的实现

《Pydantic中model_validator的实现》本文主要介绍了Pydantic中model_validator的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录引言基础知识创建 Pydantic 模型使用 model_validator 装饰器高级用法mo

Java调用C++动态库超详细步骤讲解(附源码)

《Java调用C++动态库超详细步骤讲解(附源码)》C语言因其高效和接近硬件的特性,时常会被用在性能要求较高或者需要直接操作硬件的场合,:本文主要介绍Java调用C++动态库的相关资料,文中通过代... 目录一、直接调用C++库第一步:动态库生成(vs2017+qt5.12.10)第二步:Java调用C++

Python基础文件操作方法超详细讲解(详解版)

《Python基础文件操作方法超详细讲解(详解版)》文件就是操作系统为用户或应用程序提供的一个读写硬盘的虚拟单位,文件的核心操作就是读和写,:本文主要介绍Python基础文件操作方法超详细讲解的相... 目录一、文件操作1. 文件打开与关闭1.1 打开文件1.2 关闭文件2. 访问模式及说明二、文件读写1.

C# WinForms存储过程操作数据库的实例讲解

《C#WinForms存储过程操作数据库的实例讲解》:本文主要介绍C#WinForms存储过程操作数据库的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、存储过程基础二、C# 调用流程1. 数据库连接配置2. 执行存储过程(增删改)3. 查询数据三、事务处

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

C++快速排序超详细讲解

《C++快速排序超详细讲解》快速排序是一种高效的排序算法,通过分治法将数组划分为两部分,递归排序,直到整个数组有序,通过代码解析和示例,详细解释了快速排序的工作原理和实现过程,需要的朋友可以参考下... 目录一、快速排序原理二、快速排序标准代码三、代码解析四、使用while循环的快速排序1.代码代码1.由快

Java集合中的List超详细讲解

《Java集合中的List超详细讲解》本文详细介绍了Java集合框架中的List接口,包括其在集合中的位置、继承体系、常用操作和代码示例,以及不同实现类(如ArrayList、LinkedList和V... 目录一,List的继承体系二,List的常用操作及代码示例1,创建List实例2,增加元素3,访问元

Python使用国内镜像加速pip安装的方法讲解

《Python使用国内镜像加速pip安装的方法讲解》在Python开发中,pip是一个非常重要的工具,用于安装和管理Python的第三方库,然而,在国内使用pip安装依赖时,往往会因为网络问题而导致速... 目录一、pip 工具简介1. 什么是 pip?2. 什么是 -i 参数?二、国内镜像源的选择三、如何