Verbesserung der Lernbarkeit für Low-light Raw Denoising: Wo gepaarte reale Daten auf Rauschmodellierung treffen

Die Rauschunterdrückung in Rohdaten bei niedrigem Licht ist eine wichtige und wertvolle Aufgabe im Bereich der computergestützten Fotografie, bei der lernbasierte Methoden, die mit gepaarten echten Daten trainiert wurden, vorherrschend sind. Allerdings stellen das begrenzte Datenvolumen und die komplizierte Rauschverteilung eine Lernbarkeitsbarriere für gepaarte echte Daten dar, was die Leistungsfähigkeit lernbasierter Methoden einschränkt. Um dieses Problem anzugehen, präsentieren wir eine Strategie zur Verbesserung der Lernbarkeit, die gepaarte echte Daten anhand einer Rauschmodellierung umgestaltet. Unsere Strategie besteht aus zwei effizienten Techniken: der Schussrauschaugmentation (SNA) und der Korrektur des Dunkelshadings (DSC). Durch die Entkoppelung des Rauschmodells verbessert SNA die Genauigkeit der Datenumwandlung durch Erhöhung des Datenvolumens, während DSC die Komplexität der Datenumwandlung verringert, indem sie die Rauschkomplexität reduziert. Umfassende Ergebnisse auf öffentlichen Datensätzen und realen Aufnahmeszenarien belegen gemeinsam die state-of-the-art-Leistungsfähigkeit unserer Methode. Unser Quellcode ist verfügbar unter: https://github.com/megvii-research/PMN.