論文の概要: Modeling sRGB Camera Noise with Normalizing Flows
- arxiv url: http://arxiv.org/abs/2206.00812v1
- Date: Thu, 2 Jun 2022 00:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 15:00:32.461057
- Title: Modeling sRGB Camera Noise with Normalizing Flows
- Title(参考訳): 正規化流を用いたsrgbカメラノイズのモデル化
- Authors: Shayan Kousha, Ali Maleky, Michael S. Brown, Marcus A. Brubaker
- Abstract要約: 各種ISOレベルにおけるsRGB画像の複雑な雑音分布を学習できる正規化フローに基づく新しいsRGB領域雑音モデルを提案する。
我々の正規化フローベースアプローチは、ノイズモデリングや合成タスクにおいて、他のモデルよりも優れています。
- 参考スコア(独自算出の注目度): 35.29066692454865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noise modeling and reduction are fundamental tasks in low-level computer
vision. They are particularly important for smartphone cameras relying on small
sensors that exhibit visually noticeable noise. There has recently been renewed
interest in using data-driven approaches to improve camera noise models via
neural networks. These data-driven approaches target noise present in the
raw-sensor image before it has been processed by the camera's image signal
processor (ISP). Modeling noise in the RAW-rgb domain is useful for improving
and testing the in-camera denoising algorithm; however, there are situations
where the camera's ISP does not apply denoising or additional denoising is
desired when the RAW-rgb domain image is no longer available. In such cases,
the sensor noise propagates through the ISP to the final rendered image encoded
in standard RGB (sRGB). The nonlinear steps on the ISP culminate in a
significantly more complex noise distribution in the sRGB domain and existing
raw-domain noise models are unable to capture the sRGB noise distribution. We
propose a new sRGB-domain noise model based on normalizing flows that is
capable of learning the complex noise distribution found in sRGB images under
various ISO levels. Our normalizing flows-based approach outperforms other
models by a large margin in noise modeling and synthesis tasks. We also show
that image denoisers trained on noisy images synthesized with our noise model
outperforms those trained with noise from baselines models.
- Abstract(参考訳): 低レベルコンピュータビジョンの基本課題はノイズモデリングと低減である。
特にスマートフォンのカメラでは、目に見えるノイズを示す小さなセンサーに依存している。
最近、ニューラルネットワークによるカメラノイズモデルを改善するために、データ駆動アプローチの利用への関心が再び高まっている。
これらのデータ駆動アプローチは、カメラのイメージ信号プロセッサ(ISP)によって処理される前の原センサー画像に存在するノイズをターゲットとする。
raw-rgbドメインのモデリングノイズは、カメラ内デノイジングアルゴリズムの改善とテストに有用であるが、raw-rgbドメインイメージが使用できない場合には、カメラのispがデノイジンを適用せず、追加デノイジンが望まれる状況もある。
このような場合、センサノイズはISPを介して標準RGB(sRGB)で符号化された最終レンダリング画像に伝搬する。
ISP上の非線形ステップは、sRGBドメインのより複雑なノイズ分布を決定づけ、既存の生ドメインノイズモデルでは、sRGBのノイズ分布を捉えることができない。
本稿では,様々なisoレベルにおいてsrgb画像に見られる複雑な雑音分布を学習できる流れの正規化に基づく新しいsrgb領域雑音モデルを提案する。
流れに基づくノーマライズ手法は,ノイズモデリングや合成タスクにおいて,他のモデルよりも大きなマージンを持つ。
また,ノイズモデルを用いて合成した雑音画像に基づいて訓練した画像復調器は,ベースラインモデルから学習したノイズに優れることを示した。
関連論文リスト
- NM-FlowGAN: Modeling sRGB Noise without Paired Images using a Hybrid Approach of Normalizing Flows and GAN [9.81778202920426]
NM-FlowGANは、GANと正規化フローの両方の長所を利用するハイブリッドアプローチである。
本手法は, カメラタイプやISO設定などの手軽に取得可能なパラメータなど, クリーンな画像とノイズ特性に影響を与える要因を用いてノイズを合成する。
我々のNM-FlowGANは、sRGBノイズ合成タスクにおいて、他のベースラインよりも優れています。
論文 参考訳(メタデータ) (2023-12-15T09:09:25Z) - Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。
DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。
拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
論文 参考訳(メタデータ) (2023-11-02T01:53:55Z) - Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the
Noise Model [83.9497193551511]
デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。
LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。
LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
論文 参考訳(メタデータ) (2023-08-07T10:09:11Z) - Rawgment: Noise-Accounted RAW Augmentation Enables Recognition in a Wide
Variety of Environments [1.0323063834827415]
本稿では,難易度の高い環境における画像認識のための雑音対応RAW画像強調手法を提案する。
本質的には、非線形ISPを適用する前にRAW画像に色ジッタとぼやけた強調を加え、現実的な強度をもたらす。
提案手法は,簡単な学習データのみを用いて,難易度の高い環境下での音声認識精度を2倍にすることを示す。
論文 参考訳(メタデータ) (2022-10-28T10:33:45Z) - Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。
ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。
トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
論文 参考訳(メタデータ) (2022-06-02T15:31:40Z) - Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware
Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。
PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。
より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文 参考訳(メタデータ) (2022-04-06T14:09:02Z) - 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) - Adaptive Unfolding Total Variation Network for Low-Light Image
Enhancement [6.531546527140475]
sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。
本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。
実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
論文 参考訳(メタデータ) (2021-10-03T11:22:17Z) - 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) - 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)
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。