翻译：In this work, we train a single-frame based denoising network, i.e. the U-Net , with synthesized raw noisy- clean image pairs to serve as the pre-denoising module. We use 230 clean raw images from SID dataset, and synthe- size noise using the method described in Sec. 3.2 to create noisy-clean pairs. Note that, pixels of different color channels in an raw image are mosaiced according to the Bayer pattern, i.e. the most similar pixels for each pixel are not its nearest neighbors, but are its secondary nearest neighbor

在这项工作中，我们使用合成的原始噪声 - 干净图像对训练单帧基础去噪网络，即U-Net，作为预去噪模块。我们使用SID数据集中的230个干净原始图像，并使用第3.2节中描述的方法合成噪声来创建噪声 - 干净对。请注意，原始图像中不同颜色通道的像素按照Bayer模式进行马赛克处理，即每个像素的最相似像素不是其最近邻，而是其次近邻。

相关问题

a physics-based noise formation model for extreme low-light raw denoising

极低光原始去噪的物理噪声形成模型是一种基于物理原理的算法，用于处理在极低光条件下拍摄的图像。在极低光条件下，图像中会出现很多噪点，这些噪点会导致图像的质量下降，降低图像的清晰度和对比度。物理噪声形成模型是基于光学和传感器特性的理论，通过模拟光子的传播和传感器的响应机制，来解释和预测在极低光条件下噪声的形成过程。

该模型会考虑到光子在传感器上的随机分布、传感器的暗电流、热噪声以及放大器噪声等因素，通过对这些噪声源进行建模和分析，来预测在特定条件下图像中将会产生怎样的噪声。通过对这些噪声进行建模，可以更准确地理解噪声的来源和特性，并且为去除这些噪声提供更为有效的方法。

基于物理噪声形成模型的极低光原始去噪算法可以更好地保留图像的细节和纹理，因为它能够更准确地识别和去除噪声，而不会破坏图像的细节。此外，这种模型还可以根据不同的拍摄条件进行调整，以实现更好的去噪效果。

总之，物理噪声形成模型为极低光原始去噪提供了一种基于物理原理的新途径，可以更有效地提高图像质量，提升极低光条件下图像采集的效果。

什么是a non-blind Gaussian denoising problem with a Gaussian noise level

非盲目高斯降噪问题是指在已知高斯噪声水平的情况下进行图像或信号降噪的问题。在这种问题中，我们希望从受到高斯噪声污染的观测数据中恢复出原始的无噪声信号。这个问题通常用于图像处理和信号处理领域，其中高斯噪声是最常见的噪声模型之一。通过使用统计方法和信号处理技术，可以对观测数据进行处理，以最大程度地减小噪声对原始信号的影响，从而实现降噪的目的。