CycleISP：通过改进的数据合成实现真实图像恢复

大规模数据集的可用性极大地释放了深度卷积神经网络（CNN）的真正潜力。然而，在单幅图像去噪任务中，获取真实场景数据集是一项成本高昂且极为繁琐的过程。因此，现有的图像去噪算法大多基于合成数据进行开发与评估，而这些合成数据通常基于加性白高斯噪声（AWGN）这一广泛假设生成。尽管CNN在这些合成数据集上取得了令人瞩目的性能表现，但当应用于真实相机拍摄的图像时，其效果却显著下降，这一现象已在近期的基准数据集中得到验证。其主要原因在于，AWGN无法充分刻画真实相机噪声的特性——真实噪声具有信号依赖性，并且在相机成像流水线（camera imaging pipeline）的多重处理过程中经历了复杂的非线性变换。本文提出了一种新型框架，能够正向与反向建模相机成像流水线。该框架可生成任意数量的、在RAW空间和sRGB空间下均高度逼真的图像对，用于图像去噪训练。通过在这些真实感合成数据上训练新的图像去噪网络，我们在真实相机基准数据集上实现了当前最优的性能表现。此外，本方法所使用的模型参数量仅为此前最优RAW去噪方法的约五分之一，显著降低了计算复杂度。进一步实验表明，该框架具有良好的泛化能力，不仅适用于图像去噪任务，还可推广至立体电影中的色彩匹配等其他应用场景。相关源代码与预训练模型已开源，地址为：https://github.com/swz30/CycleISP。