Unverarbeitete Bilder für gelernte Rohdaten-Entrauschung

Maschinelles Lernen funktioniert am besten, wenn die für das Training verwendeten Daten den für die Bewertung verwendeten Daten ähneln. Dies gilt insbesondere für gelernte Algorithmen zur Rauschreduzierung von einzelnen Bildern, die auf echten Rohdaten von Kamera-Sensoren angewendet werden, aber aufgrund praktischer Einschränkungen oft mit synthetischen Bilddaten trainiert werden. Obwohl bekannt ist, dass die Generalisierung von synthetischen zu echten Daten eine sorgfältige Berücksichtigung der Rauscheigenschaften von Bildsensoren erfordert, werden andere Aspekte der Bildverarbeitungs Pipeline eines Kameras (Verstärkung, Farbkorrektur, Tonabbildung usw.) oft vernachlässigt, trotz ihrer erheblichen Auswirkungen darauf, wie Rohmesswerte in fertige Bilder transformiert werden. Um dies zu beheben, präsentieren wir eine Technik zum „Entprozessieren“ von Bildern durch das Invertieren jedes Schritts der Bildverarbeitungs-Pipeline. Dies ermöglicht es uns, realistische Rohsensor-Messwerte aus allgemein verfügbaren Internetfotos zu synthetisieren. Bei der Auswertung unserer Verlustfunktion modellieren wir zudem die relevanten Komponenten der Bildverarbeitungs-Pipeline, was das Training bewusst macht über alle relevanten photometrischen Verarbeitungen, die nach der Rauschreduzierung stattfinden. Durch diese Art des Prozessierens und Entprozessierens von Modellausgaben und Trainingsdaten können wir ein einfaches Faltungsneuronales Netzwerk trainieren, das im Vergleich zum bisherigen Stand der Technik auf dem Darmstadt Noise Dataset 14%-38% niedrigere Fehlerquoten und 9-18 Mal schneller ist. Zudem generalisiert es auch auf Sensoren außerhalb dieses Datasets.请注意，这里将“Darmstadt Noise Dataset”保留为德语中的专有名词，因为这是国际上广泛使用的数据集名称。如果您需要将其翻译为中文或其他语言，请告知我。