論文の概要: Lighting Every Darkness in Two Pairs: A Calibration-Free Pipeline for RAW Denoising

• arxiv url: http://arxiv.org/abs/2308.03448v1
• Date: Mon, 7 Aug 2023 10:09:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 14:13:00.946469
• Title: Lighting Every Darkness in Two Pairs: A Calibration-Free Pipeline for RAW Denoising
• Title（参考訳）: 2つのペアですべての暗さを照らす:RAWデノイングのための校正不要パイプライン
• Authors: Xin Jin, Jia-Wen Xiao, Ling-Hao Han, Chunle Guo, Ruixun Zhang, Xialei Liu, Chongyi Li
• Abstract要約: 本稿では,デジタルゲインやカメラセンサに関係なく,LED(Lighting Every Drakness)のキャリブレーションフリーパイプラインを提案する。 本手法は他のキャリブレーション法よりも優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 24.04177977105998
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Calibration-based methods have dominated RAW image denoising under extremely low-light environments. However, these methods suffer from several main deficiencies: 1) the calibration procedure is laborious and time-consuming, 2) denoisers for different cameras are difficult to transfer, and 3) the discrepancy between synthetic noise and real noise is enlarged by high digital gain. To overcome the above shortcomings, we propose a calibration-free pipeline for Lighting Every Drakness (LED), regardless of the digital gain or camera sensor. Instead of calibrating the noise parameters and training repeatedly, our method could adapt to a target camera only with few-shot paired data and fine-tuning. In addition, well-designed structural modification during both stages alleviates the domain gap between synthetic and real noise without any extra computational cost. With 2 pairs for each additional digital gain (in total 6 pairs) and 0.5% iterations, our method achieves superior performance over other calibration-based methods. Our code is available at https://github.com/Srameo/LED .
• Abstract（参考訳）: キャリブレーションに基づく手法は、極めて低照度環境下で生画像のノイズを低減させる。 しかし、これらの手法にはいくつかの欠点がある。 1) 校正手続きは、手間と時間を要する。 2)異なるカメラのデノイザーの転送が困難であり、 3) 合成雑音と実雑音との差は高ディジタルゲインにより増大する。 以上の欠点を克服するために,デジタルゲインやカメラセンサに関係なく,LED(Lighting Every Drakness)のキャリブレーションフリーパイプラインを提案する。 ノイズパラメータの校正やトレーニングを繰り返し行う代わりに,数発のペアデータと微調整のみを対象カメラに適用することができた。 さらに、両段階間のよく設計された構造変更は、余分な計算コストを伴わずに合成ノイズと実雑音の間の領域ギャップを軽減する。 追加のデジタルゲイン毎に2ペア(合計6ペア)と0.5%のイテレーションを施すことで,他のキャリブレーション法よりも優れた性能を実現する。 私たちのコードはhttps://github.com/Srameo/LED で利用可能です。

関連論文リスト

• Joint Demosaicing and Denoising with Double Deep Image Priors [5.3686304202729]
  現代のデジタルカメラの処理パイプラインにおいて、RAW画像の復号化と復号化は重要なステップである。 最近のディープ・ニューラル・ネットワークベースのアプローチは、このような課題を緩和するために、共同の解答と妄想の有効性を示している。 本稿では,JDD-DoubleDIPと呼ばれる,RAW画像を直接操作し,トレーニングデータを必要とせずに,新たな共同復調・復調手法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T01:53:10Z)
• 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)
• NAI$_2$: Learning Noise-Aware Illumination-Interpolator for Unsupervised Low-Light Image Enhancement [55.07472635587852]
  低照度画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 本稿では,低光画像のノイズレベルを迅速かつ高精度に推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Modeling sRGB Camera Noise with Normalizing Flows [35.29066692454865]
  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。
  論文  参考訳（メタデータ） (2022-06-02T00:56:34Z)
• 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 Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)

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。