《A High( 五 ) _智能手机

由于传感器的最小和最大测量极限，我们需要稳健地估计该像素的基本无噪声值μ?j，并存在删失观测值。因此，我们采用以下方法对μ?j进行鲁棒估计，而不是简单地计算χj的平均值：
1.删除在归一化线性空间中强度等于0或1的可能删失的观测值：
2.将χ‘j的经验累积分布函数(CDF)定义为
3.定义一个正态分布的参数累积分布函数，其平均μp和标准差σp为
4.定义一个目标函数，表示φe和φp之间的平方误差的加权和。
其中，我们选择权重wt来表示一个凸函数，使得权重补偿拟合的cd f值的方差，这些值在分布的尾部最低，在平均值附近最高：
5.通过最小化方程9来估计χ‘j的平均μ?j和标准差σ?j：
使用无导数单纯形搜索方法[20] 。
为了评价我们采用的WLS方法估计受强度裁剪影响的平均图像，我们对合成图像进行了添加合成噪声和施加强度裁剪的实验。我们使用从真实图像中估计的NLF参数来合成噪声。然后应用我们的方法估计平均图像。我们将结果与最大似然估计(MLE)和删节进行了比较，这是检查数据回归常用的方法，如图6所示。我们在一系列图像(图6a)和一系列合成NLFS(图6b)上重复了实验。作为参考，我们绘制了平均图像在（绿线)之前和(黑线）之后应用强度裁剪的直接计算误差。我们采用的WLS方法的误差远低于MLE，几乎与裁剪前对平均图像的直接计算一样低。
图6：用于估计平均图像的方法之间的比较：(A)在图像的数量范围内和(B)在信号相关噪声（β1）的第一个参数范围内。采用的方法，WLS拟合的CD F与审查，产生最低的MSE 。
我们的Sidd数据集与DND数据集的质量：为了评估我们的管道与dnd后处理[25]相比估计的地面真实图像的质量，我们要求dnd的作者对我们的五个低/高iso图像对进行后处理。然后，我们使用[7]估计了这些图像中固有的噪声水平，并将它们与我们相同的五个场景的地面真相进行了比较，如图7a所示。我们的管道产生较低的噪声水平，因此，更高质量的图像，在五个图像中有四个。此外，图7b显示了与DND数据集相比，我们数据集中的噪声水平分布。在我们的数据集中更广泛的噪声水平使它成为一个更全面的基准测试在不同的成像条件和更有代表性的智能手机相机图像。
图7：(A)我们的地面真相图像中的噪声水平与[25]估计的五个场景的地面真相之间的比较。我们的地面真相有较低的噪音水平，在五个图像中有四个。(b)我们数据集中的噪音水平与数据集的比较
5.基准
在这一节中，我们基准了一些有代表性和最先进的去噪算法，以检查它们在真实噪声图像上的性能与我们恢复的地面真相。我们还表明，如果对真实的噪声图像进行训练，而不是将合成的噪声图像和/或低iso图像作为地面真相，则基于cnn的方法的性能可以得到显著提高。
5.1.设置
为了进行基准测试，我们从Sidd数据集中为每个场景实例选择了200幅地面真实图像。从这200幅图像中，我们仔细选择了40幅图像的代表性子集，用于本文的评估实验和一个基准网站也将发布，而其他160幅噪声图像及其地面真实图像将用于培训目的。由于许多去噪器在计算上是昂贵的（有些需要一个多小时来去噪一个1像素的图像），我们通过将去噪器应用于随机选择的32个大小为256×256块上应用去噪器来加速比较，总共有1280个图像块。通过在装有英特尔?Xeon?CPUE5-@3.50G Hz和128GB内存的同一台机器上运行它们的单线程，得到了台架算法的计算时间。
基准算法有：BM3D[10]、NLM[4]、KSVD[1]、LPG-PCA[32]、FOR[27]、MLP[6]、WNM[16]、滑翔[29]、TNRD[8]、EPLL[35]和dncnn[33] 。对于bm3d[10]，我们在原始RGB空间中应用了 bm3d[23]，在srgb空间中应用了cbm3d[9] 。对于ksvd，我们基准了原始算法[11]的两个变体，一个使用DCT过完备字典，这里表示为ksvd-dct，另一个使用自然图像补丁的全局字典，这里表示为ksvd-g 。为了对基于学习的算法(例如MLP、TNRD和dncnn)进行基准测试，我们使用现有的训练模型，以便与其他算法进行公平的比较；然而，在5.3节中，我们展示了在我们的数据集上训练DN CNN的优势。我们在原始RGB和sRGB空间中应用了所有算法..然而，在RAW-RGB空间中的去噪是在RAWR GB和转换为SRGB后进行的。在所有情况下，我们根据我们的地面真相图像来评估性能。对于原始RGB图像，我们分别对每个CFA信道进行去噪..为了将图像从原始RGB呈现到srgb，我们使用来自dng文件的元数据模拟相机处理管道[19] 。大多数基准算法作为输入参数，要求以均匀功率高斯分布（σ)的标准差或信号相关噪声电平函数的两个参数(β1和β2）的形式估计图像中的噪声。我们遵循第3.2节中的相同程序，提供噪声的估计作为算法的输入。