論文の概要: Towards General Low-Light Raw Noise Synthesis and Modeling
- arxiv url: http://arxiv.org/abs/2307.16508v2
- Date: Thu, 17 Aug 2023 12:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 22:35:39.084971
- Title: Towards General Low-Light Raw Noise Synthesis and Modeling
- Title（参考訳）: 一般低光原音合成とモデリングに向けて
- Authors: Feng Zhang, Bin Xu, Zhiqiang Li, Xinran Liu, Qingbo Lu, Changxin Gao,
Nong Sang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 37.87312467017369
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling and synthesizing low-light raw noise is a fundamental problem for
computational photography and image processing applications. Although most
recent works have adopted physics-based models to synthesize noise, the
signal-independent noise in low-light conditions is far more complicated and
varies dramatically across camera sensors, which is beyond the description of
these models. To address this issue, we introduce a new perspective to
synthesize the signal-independent noise by a generative model. Specifically, we
synthesize the signal-dependent and signal-independent noise in a physics- and
learning-based manner, respectively. In this way, our method can be considered
as a general model, that is, it can simultaneously learn different noise
characteristics for different ISO levels and generalize to various sensors.
Subsequently, we present an effective multi-scale discriminator termed Fourier
transformer discriminator (FTD) to distinguish the noise distribution
accurately. Additionally, we collect a new low-light raw denoising (LRD)
dataset for training and benchmarking. Qualitative validation shows that the
noise generated by our proposed noise model can be highly similar to the real
noise in terms of distribution. Furthermore, extensive denoising experiments
demonstrate that our method performs favorably against state-of-the-art methods
on different sensors.
- Abstract（参考訳）: 低照度生雑音のモデリングと合成は、計算写真や画像処理アプリケーションにとって基本的な問題である。
近年の研究では、ノイズを合成するための物理モデルが採用されているが、低光環境における信号非依存ノイズは、より複雑で、カメラセンサーによって劇的に変化する。
この問題に対処するために,信号非依存ノイズを生成モデルで合成する新しい視点を提案する。
具体的には,信号依存ノイズと信号非依存ノイズを物理系と学習系でそれぞれ合成する。
このようにして、本手法は、様々なISOレベルの異なるノイズ特性を同時に学習し、様々なセンサに一般化できる一般モデルとみなすことができる。
次に,雑音分布を正確に識別する有効なマルチスケール判別器であるフーリエ変圧器判別器(ftd)を提案する。
さらに、トレーニングとベンチマークのための新しい低照度生騒音(LRD)データセットを収集する。
定性検証により,提案した雑音モデルから発生する雑音は分布の点で実雑音と非常によく似ていることが示された。
さらに,本手法は各種センサの最先端手法に対して良好に作用することを示した。
関連論文リスト
- 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) - Designing a Practical Degradation Model for Deep Blind Image
Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。
本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文 参考訳（メタデータ） (2021-03-25T17:40:53Z) - 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) - A Physics-based Noise Formation Model for Extreme Low-light Raw
Denoising [34.98772175073111]
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。
論文 参考訳（メタデータ） (2020-03-28T09:16:48Z) - 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。