8일 전
명시적 캘리브레이션을 암시적으로 전환하기: 노이즈 모델 대신 디노이저를 캘리브레이션하라
Xin Jin, Jia-Wen Xiao, Ling-Hao Han, Chunle Guo, Xialei Liu, Chongyi Li, Ming-Ming Cheng

초록
극도로 어두운 조명 환경에서 RAW 이미지 노이즈 제거를 위한 명시적 캘리브레이션 기반 방법이 주류를 이끌어 왔다. 그러나 이러한 방법들은 몇 가지 핵심적인 한계에 직면해 있다. 첫째, 명시적 캘리브레이션 과정은 인력과 시간을 대폭 소모한다. 둘째, 다양한 카메라 모델 간에 노이즈 제거기의 전이가 어렵다. 셋째, 디지털 게인에 의해 합성 노이즈와 실제 노이즈 사이의 차이가 더욱 심화된다. 이러한 문제를 해결하기 위해, 디지털 게인이나 카메라 센서의 종류에 관계없이 효과적인 새로운 파이프라인인 Lighting Every Darkness(이하 LED)를 제안한다. LED는 명시적 노이즈 모델 캘리브레이션을 완전히 제거하고, 빠른 배포와 최소한의 데이터 요구를 가능하게 하는 암묵적 미세조정 과정을 활용한다. 또한 추가적인 계산 부담 없이 합성 노이즈와 실제 노이즈 간의 차이를 줄이기 위한 구조적 개선을 포함하고 있다. 제안된 방법은 공개 데이터셋에 포함되지 않은 새로운 카메라 모델을 포함해 다양한 기기에서 기존의 방법들을 능가하며, 디지털 게인당 몇 쌍의 데이터만으로도, 일반적인 반복 횟수의 0.5%만으로도 우수한 성능을 달성한다. 더불어 LED는 연구자들이 딥러닝 기술의 발전에 더 집중할 수 있도록 하면서도 센서 공학의 이점을 여전히 활용할 수 있도록 한다. 코드 및 관련 자료는 다음 링크에서 확인할 수 있다. https://srameo.github.io/projects/led-iccv23/