清华&旷视移动端深度降噪模型PracticalDeepRawImageDenoising详解
需积分: 42 79 浏览量
更新于2024-09-01
收藏 1.91MB DOCX 举报
"《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。"
2021-05-30 上传
2018-08-22 上传
2024-08-05 上传
2020-07-03 上传
weixin_41419657
- 粉丝: 0
- 资源: 3
最新资源
- Java毕业设计项目:校园二手交易网站开发指南
- Blaseball Plus插件开发与构建教程
- Deno Express:模仿Node.js Express的Deno Web服务器解决方案
- coc-snippets: 强化coc.nvim代码片段体验
- Java面向对象编程语言特性解析与学生信息管理系统开发
- 掌握Java实现硬盘链接技术:LinkDisks深度解析
- 基于Springboot和Vue的Java网盘系统开发
- jMonkeyEngine3 SDK:Netbeans集成的3D应用开发利器
- Python家庭作业指南与实践技巧
- Java企业级Web项目实践指南
- Eureka注册中心与Go客户端使用指南
- TsinghuaNet客户端:跨平台校园网联网解决方案
- 掌握lazycsv:C++中高效解析CSV文件的单头库
- FSDAF遥感影像时空融合python实现教程
- Envato Markets分析工具扩展:监控销售与评论
- Kotlin实现NumPy绑定:提升数组数据处理性能