論文の概要: A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

• arxiv url: http://arxiv.org/abs/2003.12751v2
• Date: Thu, 9 Apr 2020 04:58:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 23:54:29.454777
• Title: A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising
• Title（参考訳）: 極低照度生分解のための物理ベースノイズ生成モデル
• Authors: Kaixuan Wei, Ying Fu, Jiaolong Yang, Hua Huang
• Abstract要約: CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。 また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
• 参考スコア（独自算出の注目度）: 34.98772175073111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lacking rich and realistic data, learned single image denoising algorithms generalize poorly to real raw images that do not resemble the data used for training. Although the problem can be alleviated by the heteroscedastic Gaussian model for noise synthesis, the noise sources caused by digital camera electronics are still largely overlooked, despite their significant effect on raw measurement, especially under extremely low-light condition. To address this issue, we present a highly accurate noise formation model based on the characteristics of CMOS photosensors, thereby enabling us to synthesize realistic samples that better match the physics of image formation process. Given the proposed noise model, we additionally propose a method to calibrate the noise parameters for available modern digital cameras, which is simple and reproducible for any new device. We systematically study the generalizability of a neural network trained with existing schemes, by introducing a new low-light denoising dataset that covers many modern digital cameras from diverse brands. Extensive empirical results collectively show that by utilizing our proposed noise formation model, a network can reach the capability as if it had been trained with rich real data, which demonstrates the effectiveness of our noise formation model.
• Abstract（参考訳）: リッチでリアルなデータの欠如 学習された単一の画像分別アルゴリズムは、トレーニングに使用されるデータに似ていない実際の生画像に貧弱に一般化する。 この問題はヘテロセダスティックなガウスモデルによるノイズ合成によって緩和できるが、デジタルカメラエレクトロニクスによるノイズ源は、特に極低照度条件下での生測に顕著な影響にもかかわらず、まだほとんど見過ごされている。 そこで本研究では,cmosフォトセンサの特性に基づく高精度なノイズ生成モデルを提案する。 また,提案するノイズモデルに基づき,新しいデバイスでは容易に再現可能な,利用可能な最新のデジタルカメラのノイズパラメータを校正する手法を提案する。 我々は、既存のスキームで訓練されたニューラルネットワークの一般化可能性について体系的に研究し、様々なブランドの最新のデジタルカメラをカバーする新しい低照度デノイジングデータセットを導入した。 その結果,提案するノイズ生成モデルを用いることで,ネットワークがリッチな実データで訓練されたかのようにその能力に到達できることが示され,ノイズ生成モデルの有効性が示された。

関連論文リスト

• Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
  生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。 具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。 このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
  論文  参考訳（メタデータ） (2023-07-31T09:10:10Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Estimating Fine-Grained Noise Model via Contrastive Learning [11.626812663592416]
  本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。 本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。 いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
  論文  参考訳（メタデータ） (2022-04-03T02:35:01Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Learning Camera-Aware Noise Models [22.114167097784787]
  本稿では,実世界の雑音から生成ノイズモデルを学習する,データ駆動型手法を提案する。 提案するノイズモデルでは,異なるカメラセンサの異なるノイズ特性を同時に学習することができる。
  論文  参考訳（メタデータ） (2020-08-21T08:25:14Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。