[论文解读] Real-world Noisy Image Denoising: A New Benchmark

Jun Xu, Hui Li+3 more|arXiv (Cornell University)|Apr 7, 2018

Image and Signal Denoising Methods参考文献 24被引用 174

一句话总结

本论文介绍了一个跨多台相机与设置的大型真实世界噪声图像降噪基准，评估现有方法，并展示真实世界噪声与 AWGN 的差异，以及新方法在鲁棒性方面的提升。

ABSTRACT

Most of previous image denoising methods focus on additive white Gaussian noise (AWGN). However,the real-world noisy image denoising problem with the advancing of the computer vision techiniques. In order to promote the study on this problem while implementing the concurrent real-world image denoising datasets, we construct a new benchmark dataset which contains comprehensive real-world noisy images of different natural scenes. These images are captured by different cameras under different camera settings. We evaluate the different denoising methods on our new dataset as well as previous datasets. Extensive experimental results demonstrate that the recently proposed methods designed specifically for realistic noise removal based on sparse or low rank theories achieve better denoising performance and are more robust than other competing methods, and the newly proposed dataset is more challenging. The constructed dataset of real photographs is publicly available at \url{https://github.com/csjunxu/PolyUDataset} for researchers to investigate new real-world image denoising methods. We will add more analysis on the noise statistics in the real photographs of our new dataset in the next version of this article.

研究动机与目标

• 推动超越合成 AWGN 降噪基准的真实世界噪声去除研究。
• 创建一个大型、多样化的真实世界噪声图像数据集，并且提供对应的地面真值图像。
• 在真实世界数据上评估现有降噪方法，并分析在不同相机与 ISO 设置下的鲁棒性。

提出的方法

• 在多个相机和设置下对每个场景捕获 500 张图像以建模真实世界噪声。
• 通过对每个场景中未对齐但亮度一致的帧进行平均来生成地面真值。
• 从大图像中裁剪 512x512 的块以进行实际降噪评估。
• 评估包括面向 AWGN 的、灰度通道、判别式以及面向真实世界定制方法在内的广泛降噪方法。
• 使用 PSNR 和 SSIM 在不同数据集上对比性能，并按 ISO 与颜色通道分析噪声统计。

实验结果

研究问题

• RQ1 包括为 AWGN 设计的方法在内的现有降噪方法在跨多种相机与设置的真实世界噪声图像上的表现如何？
• RQ2 面向真实世界噪声的方法（如 Guided、MCWNNM、TWSC）在该基准上是否优于传统的 AWGN 降噪方法？
• RQ3 在真实世界数据中，降噪性能如何随 ISO、相机品牌和场景内容变化？
• RQ4 随着 ISO 变化，RGB 通道的真实世界噪声统计是多少？

主要发现

• 真实世界噪声并非很好地由 AWGN 建模；为真实世界噪声设计的方法优于以 AWGN 为焦点的基线。
• 跨通道方法（同时处理 RGB 通道）通常比逐通道灰度方法取得更好的结果。
• 在配对数据上训练的判别式学习方法在噪声统计与训练数据不同的情况下表现出有限泛化能力。
• 最近的真实世界定制方法（Guided、MCWNNM、TWSC）在某些数据集上取得了强劲表现，但在新提出的基准上表现差异较小，表明数据集难度更高。
• 所提出的数据集更加全面且具有挑战性，凸显了需要新的真实世界降噪方法。