Amélioration de la capacité d'apprentissage pour le débruitage brut en faible luminosité : où les données réelles appariées rencontrent la modélisation du bruit

Le débruitage brut en faible éclairage constitue une tâche importante et précieuse en photographie computationnelle, où les méthodes basées sur l’apprentissage, entraînées à l’aide de données réelles appariées, dominent actuellement le paysage. Toutefois, le volume limité de données ainsi que la distribution de bruit complexe constituent un goulot d’étranglement en termes d’apprenabilité pour les données réelles appariées, ce qui entrave les performances du débruitage des méthodes basées sur l’apprentissage. Pour résoudre ce problème, nous proposons une stratégie d’amélioration de l’apprenabilité visant à reformuler les données réelles appariées à partir d’un modèle de bruit. Notre approche repose sur deux techniques efficaces : l’augmentation du bruit de tir (SNA, Shot Noise Augmentation) et la correction de l’ombrage sombre (DSC, Dark Shading Correction). Grâce au découplage du modèle de bruit, la SNA améliore la précision de l’application des données en augmentant le volume de données, tandis que la DSC réduit la complexité de l’application des données en simplifiant la complexité du bruit. Des résultats étendus sur des jeux de données publics ainsi que dans des scénarios d’imagerie réelle démontrent de manière collective les performances de pointe de notre méthode. Le code source est disponible à l’adresse suivante : https://github.com/megvii-research/PMN.