Aufgrund fehlender reicher und realistischer Daten generalisieren gelernte Algorithmen zur Einzelbild-Rauschunterdrückung schlecht auf echte Rohbilder, die den während des Trainings verwendeten Daten nicht ähneln. Obwohl das Problem durch das heteroskedastische Gauss’sche Rauschmodell zur Rauschsynthese gemildert werden kann, bleiben die durch die Elektronik digitaler Kameras verursachten Rauschquellen weitgehend unberücksichtigt, obwohl sie erheblichen Einfluss auf die Rohmessungen ausüben, insbesondere unter extremen Lichtverhältnissen. Um dieses Problem anzugehen, präsentieren wir ein hochgenaues Rauschentstehungsmodell, das auf den Eigenschaften von CMOS-Bildsensoren basiert, wodurch die Synthese realistischer Proben ermöglicht wird, die der Physik des Bildentstehungsprozesses besser entsprechen. Angesichts des vorgeschlagenen Rauschmodells entwickeln wir zudem eine Methode zur Kalibrierung der Rauschparameter für verfügbare moderne digitale Kameras, die einfach und reproduzierbar für jedes neue Gerät ist. Wir untersuchen systematisch die Generalisierbarkeit eines neuronalen Netzwerks, das mit bestehenden Verfahren trainiert wurde, indem wir eine neue Datensammlung für die Rauschunterdrückung unter niedrigen Lichtverhältnissen vorstellen, die viele moderne digitale Kameras verschiedener Hersteller abdeckt. Umfassende empirische Ergebnisse zeigen gemeinsam, dass ein Netzwerk, das unser vorgeschlagenes Rauschentstehungsmodell nutzt, die Leistung erreicht, als hätte es mit reichhaltigen realen Daten trainiert werden können – was die Wirksamkeit unseres Rauschentstehungsmodells belegt.