Wenn ein AWGN-basierter Denoiser mit realen Störungen konfrontiert wird

Diskriminativ lernbasierte Bildentrauscher haben bei synthetischen Rauschen wie z.B. Additivem Weißem Gaußschen Rauschen (AWGN) vielversprechende Leistungen erzielt. Das in den meisten früheren Arbeiten verwendete synthetische Rauschen ist pixelunabhängig, während reales Rauschen hauptsächlich räumlich/kanal-korreliert und räumlich/kanal-variant ist. Diese Domänenlücke führt zu unzufriedenstellenden Leistungen auf Bildern mit realen Rauschsignalen, wenn das Modell nur mit AWGN trainiert wird. In dieser Arbeit schlagen wir einen neuen Ansatz vor, um die Leistung eines realen Bildentrauschers zu steigern, der ausschließlich mit synthetischen, pixelunabhängigen Rauschdaten trainiert wurde, die hauptsächlich durch AWGN dominiert sind. Zunächst trainieren wir ein tiefes Modell, das aus einem Rauschschätzer und einem Entrauscher besteht, mit einer Mischung aus AWGN und Random Value Impulse Noise (RVIN). Anschließend untersuchen wir die Pixel-Shuffle Down-Sampling (PD)-Strategie, um das trainierte Modell für reale Rauschsignale anzupassen. Ausführliche Experimente belegen die Effektivität und Generalisierungsfähigkeit des vorgeschlagenen Ansatzes. Bemerkenswerterweise erreicht unsere Methode den Stand der Technik bei der Verarbeitung von realen sRGB-Bildern im DND-Benchmark unter den Modellen, die nur mit synthetischem Rauschen trainiert wurden. Der Quellcode ist unter https://github.com/yzhouas/PD-Denoising-pytorch verfügbar.