《A High( 二 ) _智能手机

另一种常见的策略是假设来自在线数据集的图像(例如，[26]和数据集[12])是无噪声的，然后综合产生噪声来添加到这些图像中。然而，几乎没有证据表明所选择的图像是无噪音的，以这种方式获得的去噪结果高度依赖于所使用的噪声模型的准确性。
用真实图像去噪基准：据我们所知，已经有两次尝试在真实图像上定量地基准去噪算法。一个是数据集[2]，它包含一对低/高iso图像。该数据集缺乏精确的空间对齐，低ISO图像仍然包含明显的噪声..此外，原始图像强度线性映射到8位深度，这对图像的质量产生了不利影响。
与我们的努力更密切相关的是关于噪声数据集(DND)[25]的工作。与数据集一样，DND包含一对低/高iso图像..相比之下，[25]后处理中的工作将低iso图像与（1）在空间上将它们与其高iso对应物对齐，（2）克服了环境光或人工光闪烁变化引起的强度变化。这项工作是第一次有原则的尝试，以产生高质量的地面真相图像。然而，大多数DND图像具有相对较低的噪声水平和正常的照明条件。因此，有少量的高噪声水平或低光条件的情况，这是图像去噪和计算机视觉的主要关切。此外，将图像之间的失调视为全局平移是不够的，包括透镜运动、径向畸变或光学图像稳定。
在我们关于地面真实图像估计的工作中，我们研究了与智能手机相机相关的问题，并且没有通过先前的策略得到适当的解决，例如由于透镜运动（即光学稳定）和径向畸变而导致的图像之间的空间失调的影响，以及由于低光条件或过度曝光而产生的裁剪强度的影响。此外，我们还研究了我们的数据集对最近基于深度学习的方法的影响，并表明，具有真实噪声和我们的地面真相的训练可以显著提高这些方法的性能。
3.数据集
在本节中，我们将描述有关捕获数据集所遵循的设置和协议的详细信息。然后，我们讨论了图像噪声估计。
3.1.图像捕获设置和协议
我们的图像捕获设置如下。我们捕捉静态室内场景，以避免由场景运动引起的失调。此外，我们还使用直流(D C)光源来避免交流电(AC)灯的闪烁效应[28] 。我们的光源允许调整照明亮度和色温(从3200K到5500K) 。我们使用了五台智能手机相机(苹果、谷歌像素、三星星系S6边缘、摩托罗拉和LGG4) 。
我们使用以下协议捕获了我们的数据集。我们多次使用不同的摄像机、不同的设置和/或不同的照明条件捕捉每个场景。这些组合的每个组合都称为场景实例。对于每个场景实例，我们捕获一系列连续图像，在后续图像之间有1-2秒的时间间隔。在捕获图像序列时，所有摄像机设置(例如iso、曝光、焦点、白平衡、曝光补偿)都是在整个过程中固定的。
我们在以下四种不同的设置和条件下，使用五个智能手机相机拍摄了10个不同的场景：
15个不同的is o水平从50到10，000不等，以获得各种噪声水平(iso水平越高，噪声越高) 。
三种照明温度模拟不同光源的影响：钨或卤素3200K，荧光灯4400K，日光5500K 。
三种光亮度水平：低、正常和高。
对于每个场景实例，我们捕获了150个连续图像的序列。由于噪声是一个随机过程，每个图像都包含来自传感器噪声分布的随机样本。因此，我们的数据集中的图像总数-智能手机图像去噪数据集(Sidd)-~为30，000（10个场景×5个摄像机×4个条件×150个图像）。对于每个图像，我们生成相应的地面真实图像（第4节），并在dng/tiff文件中使用原始数据记录所有设置。图2显示了在不同的照明条件和相机设置下来自我们数据集的一些示例图像。
在本文中，我们表示同一场景实例的图像序列，如