logo资料库

Practical Deep RawImageDenoising降噪论文解读.docx

发布时间：2022-05-31 发布人：admin 分类：说明书 资料大小：1.91M 资料格式：docx 举报 版权申诉
第1页 / 共3页
第2页 / 共3页
第3页 / 共3页
资料共3页，全文预览结束
    Practical Deep RawImageDenoising解读
    Practical Deep RawImageDenoising 解读 概要： 近年来在降噪效果上，深度学习方法已经明显由于传统算法如 BM3D 等，然后算力要求太 高进而很难在移动端实现。本文提出一种精简模型在少量样本上训练小模型可以达到不错写 效果。本文特别之处在于以下 2 点： 1， 训练样本是基于特定 sensor 制作的这是不同于一般算法的。 2， 使用了一种称为 K-sigma 的变换，这种变化可以让不同的 ISO 下的图像统一到同一个尺 度进而可以不使用多个 ISO 下的数据进行训练，这样既可以减少样本量又同时可以满足 不同亮度下的降噪要求。 一，特点： 1， 快：可以在手机上运行，晓龙 855 运行时间在 70ms 左右 2， 原：训练和识别都在 raw 域上进行 3， 专：专门为一款 sensor 设计对某个 sensor 来说是最有方案 4， 好：效果达到行业领先水平：下图 1,3 为其他降噪算法 2.4 位本方法。地面纹理下 过更好，天空降噪效果更好。 二，算法： 2.1 简述图像生成原理以及噪声产生的原理 1， 光子打到 sensor 上发生量子效应产生电子 2， 电子在产生电压的同时获得黑噪声
    3， 电压净多模拟放大器的处理 4， 电压经过模数转换获得读取及量化噪声 2.2 数学模型： (1) 带入到(2)中，推到过程 已知:已知就是多年研究已经证实了的东西 现实模型: (2) 理想模型：∗=∗ ∗表示光子数量带*表示是理论理想状态下的 光电量子效应的比率 模拟放大器对信号的增益 ∗表示理想中的亮度 =+ + 和是实际模型中的 亮度和光子数 是黑噪声 是读数噪声与量化噪声 ~(∗) P 表示泊松分布 (3) ~(0,2)~(0,2)N 表示正态分布 (4) 因为：~(∗)~(0,2)~(0,2) 所以：将(2)中的 u 替换~(∗)+(0,2) +(0,2) 因为:∗=∗ 所以：∗=∗ 带入~(∗)+(0,2) +(0,2) 得~ (∗)+(0,2) +(0,2) 括号打开~(∗)+(0,2)+(0,2) 正态分布合并~(∗)+(0,22+2) 另=,2=22+2~(∗)+(0,2) (5) 那么如何得到 k 和2呢 =∗ 表示多张静态图像在相同为是的亮度值的均值，这个等式的物理意 =∗+2 表示方差2是带系数的综合噪声的方差，k 是 ISO 与光效 这样 V 与 E 就构成了一个线性关系 k 是斜率2是截距，而 E 和 V 都是可以通过拍 摄多张灰度图像进行测量和计算的，这样就很容易标定出 k 和2 计算过程如下图所示 义是，可以用多张图像的均值表示理想光强度。底层逻辑还是均值可靠 .这样就得到了 显示亮度 关于理想光子数的分布 2.3 参数标定： 认为(认为就是经过研究可以认为是对的) 效应的综合系数。
    22是个常数，尝试在正态分布中可以加到均值上，很好理解如果 2.4 k-Sigma:本文提出的最具创新性的概念，本质上是一种变换 你的分布中有一个常数，那么你的均值一定要加上这个常数。 定义一个变换 =+22 上文中公式(5)~(∗)+(0,2)带入 ~(∗)+(0,2) +22 ~(∗)+1(0,2)+22 ~(∗)+(0,22)+22 ~(∗)+(22,22) 这里 P 泊松分布近似用正态分布提换(∗)≈(∗,∗) ~(∗,∗)+(22,22) ~(∗,∗)+(22,22) ~(∗+22,∗+22) (6) 带入公式(6) 正态分布合并 ~((∗),(∗)) （7） 这个式子的意义是 经过 f 变换后 实际值() 符合 均值为(∗) 方差为(∗)的正态分布， 最后只得注意的是 模型的输出 是 f 必须经过−1反变换才行，这并不是模型的环节属于后 这里没有 k 什么事儿了。也就是说经过 f 这个变换后 ISO 在 100 下拍摄的一组样本与 ISO500 下拍摄的另一组样本（当然两组除了 ISO 不同其他都相同）是等效的。所以就不需要针对不 同 ISO 制作样本训练了，减少了样本量也减少了样本制作的难度，也减小了模型的大小。 处理。
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料