清华&旷视移动端深度降噪模型PracticalDeepRawImageDenoising详解

"《Practical Deep RawImageDenoising：移动设备上的深度学习降噪方法解析》一文探讨了如何解决深度学习在移动端图像降噪应用中的挑战。作者着重介绍了清华大学与旷视科技合作提出的一种新型降噪算法，其核心特点是： 1. 针对性训练：该方法的独特之处在于训练样本是基于特定传感器生成的，这区别于传统的通用算法，使得模型能够更好地适应特定传感器的特性。 2. K-sigma变换：算法利用K-sigma变换将不同ISO下的图像统一到相同的尺度，这样可以减少样本需求，同时适应不同亮度条件，降低了对多ISO数据的依赖。 3. 性能优化：算法设计轻量化，能够在手机如骁龙855上快速运行，处理时间仅约70毫秒，体现出良好的实时性。 4. 原生raw域处理：整个训练和识别过程都在原始图像数据（raw domain）上进行，保留更多细节信息。 5. 专用性：该方法专为单个传感器定制，针对特定传感器的特性提供最优化解决方案，降噪效果显著，尤其在地面纹理和天空降噪方面表现出色。 6. 数学模型：文章详细阐述了噪声产生的原理，通过光电效应、模拟放大器增益和噪声分布（泊松分布和正态分布）构建了理论模型。通过标定参数k和σ，将实际图像亮度与理想光子数关联起来。 7. k-Sigma创新：k-Sigma变换是论文的核心创新，它通过添加一个常数到正态分布的均值上，实现了对图像噪声的有效抑制，提高了降噪效果。 这篇论文提出了一种在移动端具有高性能、低资源消耗且有针对性的深度学习图像降噪方法，通过实验证明了其在特定传感器上的优秀性能，对于提升移动端图像处理的质量具有重要意义。"