Neubewertung der Rauschsynthese und -modellierung bei roher Denoising

Der Mangel an großskaligen realen Rohbild-Datenbanken für Rauschunterdrückung wirft erhebliche Herausforderungen bei der Synthese realistischer Rohbildrauschmuster für das Training von Rauschunterdrückungsmodellen auf. Gleichzeitig wird der reale Rohbildrausch durch zahlreiche Rauschquellen verursacht und variiert erheblich zwischen verschiedenen Sensoren. Bestehende Methoden sind nicht in der Lage, alle Rauschquellen präzise zu modellieren, und die Erstellung eines individuellen Rauschmodells für jeden Sensor ist zudem arbeitsaufwendig. In diesem Paper stellen wir einen neuen Ansatz zur Rauschsynthese vor, der direkt aus dem echten Rausch des Sensors sampelt. Dieser Ansatz generiert inhärent präzise Rohbildrauschmuster für verschiedene Kamerasensoren. Zwei effiziente und allgemeingültige Techniken – pattern-alignierte Patch-Sampling und High-Bit-Rekonstruktion – ermöglichen jeweils eine genaue Synthese räumlich korrelierter Rauschmuster und hochbitiger Rauschsignale. Wir führen systematische Experimente auf den Datensätzen SIDD und ELD durch. Die Ergebnisse zeigen, dass (1) unsere Methode bestehende Ansätze übertrifft und eine breite Generalisierbarkeit für unterschiedliche Sensoren und Beleuchtungsbedingungen aufweist, und dass (2) jüngere Erkenntnisse, die auf DNN-basierten Rauschmodellierungsansätzen beruhen, tatsächlich auf ungenauen Rauschparametern beruhen. DNN-basierte Methoden können die physikbasierten statistischen Ansätze nach wie vor nicht überbieten.