图像去噪数据集_dnd数据集-程序员宅基地

Introduction

目前效果出色的深度去噪方法大都采用监督学习的方法，需要采集输入-输出图像对（noisy/noise-free images pairs）建立训练数据集。数据集的建立是关键的任务。数据集的质量将直接决定去噪结果的质量。如何获取尽量多场景的图像数据，如何获得高质量的参考图像（ground truth），是目前研究的热点。

The State of Arts

Method

目前去噪数据集的建立主要分为以下三种方式：

从现有图像数据库获取高质量图像，然后做图像处理（如线性变化、亮度调整）并根据噪声模型添加人工合成噪声，生成噪声图像；
针对同一场景，拍摄低ISO图像作为ground truth，高ISO图像作为噪声图像，并调整曝光时间等相机参数使得两张图像亮度一致；
对同一场景连续拍摄多张图像，然后做图像处理（如图像配准、异常图像剔除等），然后加权平均合成ground truth；
这几种方法各有利弊：
第一种方法比较简单省时，高质量图像可以直接从网上获取，但由于噪声是人工合成的，其与真实噪声图像有一定差异，使得在该数据集上训练的网络在真实噪声图像上的去噪效果受限；
第二种方法只使用单张低ISO图像作为ground truth，难免会残留噪声，且与噪声图像可能存在亮度差异和不对齐的问题；
第三种方法需要拍摄大量图像，工作量比较大，且需要对图像进行严格对准，但一般得到的ground truth质量比较高；
在实际应用中，这三种方法都有被采用，并相互结合。一般在网络训练初期，会采用第一种合成噪声图像的方法，快速获得数据集对网络进行训练。如DnCNN，burst kernel predict network等都采用了这种方式。而为了应用于真实环境中，现在越来越多的方法采用真实噪声图像进行网络训练。
但是，有一个值得考虑的问题是，为了提高去噪网络的鲁棒性和泛化能力，常常需要将输入噪声图像的噪声水平估计也作为网络输入。而真实噪声图像的噪声水平估计往往存在一定误差，从这一方面考虑，合成噪声图像由于噪声模型已知，所以其噪声水平估计是准确的，有利于网络的在不同噪声水平上的泛化。CBDNet就考虑将真实噪声图像和合成噪声图像一起作为训练集，交替对网络进行训练以提升网络的性能。

Datasets

下面简单总结一下现有的真实噪声图像数据集（即第二和第三种方法建立的数据集）。
其中数据集数量以不同的场景与拍摄设备计算（即对同一场景用同一设备在同一参数下连续拍摄多张以一张计算）。

名称	年份	类型	数量	链接地址
RENOIR	2014	第二种（Low/high-ISO images pair）	120张	project
Nam	2016	第三种（multi-images mean）	15张	project
DND	2017	第二种（Low/high-ISO images pair）	50张	project
PolyU	2018	第三种（multi-images mean）	40张	github
SIDD	2018	第三种（multi-images mean）	200张	project

具体情况如下：
RENOIR
参考论文：RENOIR - A Dataset for Real Low-Light Image Noise Reduction
拍摄了120个暗光场景，包含室内和室外场景。每个场景约4张图像，包含2张有噪声图像和两张低噪图像。
RENOIR
Nam
参考论文：A Holistic Approach to Cross-Channel Image Noise Modeling and its Application to Image Denoising
仅包含11个场景，且多是相似物体和纹理。针对这11个场景共拍摄了500张JPEG图像。
Nam1
Nam2
DND
参考论文：Benchmarking Denoising Algorithms with Real Photographs
拍摄50个场景，包括室内和室外场景。
DND
PolyU
参考论文：Real-world Noisy Image Denoising: A New Benchmark
拍摄了40个场景，包括室内正常光照场景和暗光场景，室外正常光照场景。对每个场景连续拍摄了500次。
ANB
SIDD
参考论文：A High-Quality Denoising Dataset for Smartphone Cameras
用5个相机（Google Pixel、iPhone 7、Samsung Galaxy S6 Edge、Motorola Nexus 6、LG G4）在四种相机参数下拍摄了10个场景，200个场景实例，每个场景连续拍摄了150张图像。其中160个场景实例作为训练集，40个场景实例作为测试集（the benchmark）。
具体数据集参数可参考项目主页。

Conclusion

目前来说深度去噪数据集的建立，仍然有许多问题解决，其主要集中在几个方面：

多场景、多设备图像的获取；
高质量ground truth的获取；
更加符合真实噪声分布的噪声模型的建立；
更加准确的噪声水平估计方法；
想要建立适用于广泛场景和噪声水平的深度去噪网络还是非常困难，针对于特定应用场景（暗光室内场景等）的噪声建模和去噪网络还是值得做进一步深入研究的。

本文链接：https://blog.csdn.net/zbwgycm/article/details/82144242

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

c# 调用c++ lib静态库_c#调用lib-程序员宅基地

文章浏览阅读2w次，点赞7次，收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案，在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建：添加Visual C++ , Win32 项目这......_c#调用lib

deepin/ubuntu安装苹方字体-程序员宅基地

文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体，挺好看的。注重颜值的网站都会使用，例如知乎：font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang

html表单常见操作汇总_html表单的处理程序有那些-程序员宅基地

文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--method将表单中的数据传送给服务器处理，get方式直接显示在url地址中，数据可以被缓存，且长度有限制；而post方式数据隐藏传输，_html表单的处理程序有那些

PHP设置谷歌验证器（Google Authenticator）实现操作二步验证_php otp 验证器-程序员宅基地

文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证（即Google Authenticator服务）后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器

【Python】matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距-程序员宅基地

文章浏览阅读4.3k次，点赞5次，收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距

docker — 容器存储_docker 保存容器-程序员宅基地

文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节，实现了多层数据的堆叠，为用户提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制（CoW）策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的，不建议用于生成环境。_docker 保存容器

随便推点

网络拓扑结构_网络拓扑csdn-程序员宅基地

文章浏览阅读834次，点赞27次，收藏13次。网络拓扑结构是指计算机网络中各组件（如计算机、服务器、打印机、路由器、交换机等设备）及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式，也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn

JS重写Date函数，兼容IOS系统_date.prototype 将所有 ios-程序员宅基地

文章浏览阅读1.8k次，点赞5次，收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时，通常的做法是：new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的，而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠，也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑，需要做一些额外的特殊处理，笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数，一劳永逸，避免每次ne_date.prototype 将所有 ios