Benchmarking Denoising Algorithms with Real Photographs_CVPR2017

2023-12-26 13:44

本文主要是介绍Benchmarking Denoising Algorithms with Real Photographs_CVPR2017,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!

Abstract

1、在过往研究中,图像去噪算法缺少无噪声的真值,而人为构建的噪声模型不真实,效果不好。

2、作者的思路:构建有噪图&对应的无噪图的成对真实数据集

Amber:这是很硬核的做实事的思路,实现过程必然遇到很多工程问题。

  • 获取有噪图和对应无噪图的方法:不同 ISO +适当调整曝光时长
  • 为获得真值的后处理步骤
    • 基于异方差 Tobit 回归模型的线性强度变换来校正空间错位,处理曝光参数的不准确性
    • 去除由微小光照变化等引起的残留低频偏置

3、成果

  • 构建的基准数据集:the Darmstadt Noise Dataset (DND),
  • 发现了在真实噪声图上最新的技术方法性能比 BM3D 好。
  • 提出了和以往科学方法不同的现实评估方案——有开创性。

TBD:看 BM3D 实现思路。

【科普】
ISO 表示 sensor 感光模块的感光度。同样曝光时间下,ISO值越小,画面越暗;ISO值越大,画面越亮,但是画面会增加噪点,降低画质,特别是晚上拍摄时噪点非常明显。
ISO值越小拍的照片越精细,ISO值越高拍的照片噪点越多越蒙。

1、Introduction

为什么要有图像的后处理?

  • 实际应用中传感器的模拟增益和曝光时间无法非常精准控制,这使得两张图片的强度上存在线性依赖关系。——要消除掉(个人理解是模型会优先学依赖关系,偷懒得到局部最优解,但这很容易过拟合,模型不具有普适性)
  • 光照的微小变化会导致低频偏置——通过高通滤波在噪声为零均值的变换域中去除有噪图和参考真值图之间的残差
  • 移动的物体和曝光之间微小的相机抖动——手动标注和亚像素对齐

在图一这里插入图片描述
如图:几乎无噪声的低 ISO 图像,和有噪声的高 ISO 图像。作者说到,实际工作使用的 RAW 图,为了展示效果此处用 JPEG。

Amber:RAW 图怎么获得?有些商业相机所谓的 RAW 图也是经过一些处理压缩后的结果。作者用的 RAW 图是怎样的。

2、Related Work

在这里插入图片描述

这篇关于Benchmarking Denoising Algorithms with Real Photographs_CVPR2017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/539627

相关文章

UMI复现代码运行逻辑全流程(一)——eval_real.py(尚在更新)

一、文件夹功能解析 全文件夹如下 其中,核心文件作用为: diffusion_policy:扩散策略核心文件夹,包含了众多模型及基础库 example:标定及配置文件 scripts/scripts_real:测试脚本文件,区别在于前者倾向于单体运行,后者为整体运行 scripts_slam_pipeline:orb_slam3运行全部文件 umi:核心交互文件夹,作用在于构建真

论文精读-Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes

论文精读-Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes 优势 1、构建了一个用于监督原始视频去噪的基准数据集。为了多次捕捉瞬间,我们手动为对象s创建运动。在高ISO模式下捕获每一时刻的噪声帧,并通过对多个噪声帧进行平均得到相应的干净帧。 2、有效的原始视频去噪网络(RViDeNet),通过探

Study Plan For Algorithms - Part24

1. 包含min函数的栈 定义栈的数据结构,要求在该类型中实现一个 min 函数,能够获取栈的最小元素。在该栈中,调用 min、push 以及 pop 函数的时间复杂度均为 O (1)。 方法: class MinStack:def __init__(self):self.stack = []self.min_stack = [float('inf')]def push(self, x):sel

torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms总结学习记录

经常使用PyTorch框架的应该对于torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms这两个语句并不陌生,在以往开发项目的时候可能专门化花时间去了解过,也可能只是浅尝辄止简单有关注过,正好今天再次遇到了就想着总结梳理一下。 torch.backends.cudnn.benchmark 是 PyTorch 中的一个设置

DS简记1-Real-time Joint Object Detection and Semantic Segmentation Network for Automated Driving

创新点 1.更小的网络,更多的类别,更复杂的实验 2. 一体化 总结 终于看到一篇检测跟踪一体化的文章 网络结构如下: ResNet10是共享的Encoder,yolov2 是检测的Deconder,FCN8 是分割的Deconder。 其实很简单,论文作者也指出:Our work is closest to the recent MultiNet. We differ by focus

BM3D--Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering

系列文章目录 文章目录 系列文章目录前言稀疏三维变换域协同滤波图像去噪摘要1 引言2 分组和协作过滤A.分组B.按匹配分组C.协同过滤D.基于变换域收缩的协同过滤 3 算法结论 前言 论文地址 如果下载不了可以从 https://download.csdn.net/download/m0_70420861/89708940 获取 参考博客 :图像去噪算法:NL-Me

Study Plan For Algorithms - Part21

1. 二叉树的镜像 输入一个二叉树,输出它的镜像。 方法一: class TreeNode:def __init__(self, val=0, left=None, right=None):self.val = valself.left = leftself.right = rightdef mirrorTree(root):if not root:return Nonetemp, left,

General Algorithms - Graph

BFS Red Knights Shortest Path - World CodeSprint 12 - DFS Even TreeRoads and Libraries MST Kruskal MST Really Special Subtree A BFS Red Knight’s Shortest Path - World CodeSprint

OpenAI Gym custom environment: Discrete observation space with real values

题意:OpenAI Gym 自定义环境:具有实数值的离散观测空间 问题背景: I would like to create custom openai gym environment that has discrete state space, but with float values. To be more precise, it should be a range of valu

(已开源-CVPR 2024)YOLO-World: Real-Time Open-Vocabulary Object Detection

169期《YOLO-World Real-Time Open-Vocabulary Object Detection》 You Only Look Once (YOLO) 系列检测模型是目前最常用的检测模型之一。然而,它们通常是在预先定义好的目标类别上进行训练,很大程度上限制了它们在开放场景中的可用性。为了解决这一限制,本文引入了 YOLO-World,通过视觉语言建模和大规模数