Learning Joint Denoising, Demosaicing, and Compression from the Raw Natural Image Noise Dataset

要約

このペーパーでは、センサー、画像開発ワークフロー、およびスタイル全体で一般化するノイズ除去モデルの開発をサポートするように設計された、ペアになった生画像の多様なコレクションである Raw Natural Image Noise Dataset (RawNIND) について紹介します。
2 つのノイズ除去方法が提案されています。1 つは計算効率を活用して生の Bayer データを直接処理し、もう 1 つは線形 RGB 画像を処理してさまざまなセンサーへの一般化を改善し、どちらもその後の開発の柔軟性を維持します。
どちらの方法も、現像された画像に依存する従来のアプローチよりも優れたパフォーマンスを発揮します。
さらに、生データレベルでのノイズ除去と圧縮の統合により、レート歪みのパフォーマンスと計算効率が大幅に向上します。
これらの発見は、効率的かつ柔軟な画像処理のための生データ ワークフローへのパラダイム シフトを示唆しています。

要約(オリジナル)

This paper introduces the Raw Natural Image Noise Dataset (RawNIND), a diverse collection of paired raw images designed to support the development of denoising models that generalize across sensors, image development workflows, and styles. Two denoising methods are proposed: one operates directly on raw Bayer data, leveraging computational efficiency, while the other processes linear RGB images for improved generalization to different sensors, with both preserving flexibility for subsequent development. Both methods outperform traditional approaches which rely on developed images. Additionally, the integration of denoising and compression at the raw data level significantly enhances rate-distortion performance and computational efficiency. These findings suggest a paradigm shift toward raw data workflows for efficient and flexible image processing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google