【泡泡图灵智库】SIDD：用于智能手机降噪算法的数据集 ...

题目：A High-Quality Denoising Dataset for Smartphone Cameras

作者：Abdelrahman Abdelhamed,Stephen Lin,Michael S. Brown

来源：CVPR2018

编译：颜青松

审核：李永飞

欢送个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请受权

摘要

大家好，今天带来的文章是：SIDD：用于智能手机降噪算法的数据集，该文章发表于CVPR2018。

过去十年中，摄影技术曾经发作了天翻地覆的变更，从最开端的专业数码单镜反光相机(DSLR)，变成了更简单的智能手机上的傻瓜相机。由于光圈和传感器的大小，智能手机遇比单反产生更多的噪声。为处置此问题，一些学者开端研讨智能手机相机的降噪问题。不外针对该问题，业界内仍旧短少具有高质量真值（噪声较少）的数据集。

为此，本文提出了一套系统的措施来从原始噪声影像估量无噪声的真值数据。基于此措施，本文提出了一套用于智能手机相机降噪研讨的数据集SIDD(Smartphone Image Denoising Dataset)。SIDD运用5种具有代表性的手机拍摄了大约10个场景中共30000张在不同光照条件下的带噪声的影像，还有对应的“无噪声”的真实影像。

本文在SIDD上测试了一些降噪算法，并得到了一些结论。同时，本文也发现应用SIDD数据集锻炼的基于CNN的降噪模型能够比用低ISO数据集锻炼的模型具有更好的降噪效果。

1）提出了一套用于树立智能手机相机降噪数据集的算法流程，并在此基础上树立了一个用于智能手机相机降噪算法的数据集SIDD，该数据集包含约30000张影像，为降噪算法的研讨提供了基础；

2）剖析和考证了本文数据集的牢靠性，测试了一些目前常用的降噪算法在本文数据集山上的表示，同时发现运用SIDD锻炼的CNN降噪模型效果更好。

图1：图一展示了SIDD树立的全过程。首先需求采集数据，然后去除错误像素和错误影像，接写来对影像中止对齐，最后生成“无噪声”的真实影像。

错误像素矫正

错误像素会给真实数据的估量带来较大的影响，因而首先需求对错误像素中止矫正。本文的思绪是在同一个场景下拍摄500张影像，然后在起平均图片上剖析错误像素，最后经过插值的方式对错误像素中止矫正。

图2：展示了本文错误像素矫正的过程。（a)是在低亮度状况下采集的高噪声的影像；（b)是(a)中的一个区域，能够发现有明显的噪声；(c)展示了一些错误像素；(d)则是矫正错误后的结果。

外点影像剔除

固然影像的采集都是在控制外部环境的状况下拍摄的，但是由于场景亮度和相机曝光等等硬件要素的影响下，获取影像的亮度还是会有稍微差别。因而本文计算采集影像的平均亮度来剔除掉亮度差别较大的影像，从而保障影像亮度的稳定性。

影像对齐

由于智能手机相机的光学稳像（OIS）功用不可遏止，因而拍摄的序列影像之间并不能完整对齐。本文经过运用基准点的方式来将这些影像中止对齐。

图3：（b)和(c)展示了Apple iPhone 7和Google Pixel的对齐平移量。

鲁邦平均图像估量

当图片经过对齐后，就需求经过平均的方式来获取平均图像。比较简单直接的思绪是滤除掉过暗和过亮的像素，然后中止平均值的计算。本文在此基础上运用了一种愈加鲁邦的均值计算思绪，即基于WLS算法中止了改进，从而得到了更优的效果。

图4：对比了本文数据集与DND数据集的结果，能够发现本文的数据集在真实数据集上具有更低的噪声。

主要结果

为平均SIDD数据集的质量，本文做了两个实验。一个实验是应用本文数据集平均一些降噪算法的效果；一个是对比SIDD锻炼的CNN模型和低ISO数据锻炼的降噪模型。

算法性能评价

图5：展示了一些算法在本文数据集上的表示状况，其中绿色、蓝色和红色分别代表排名第一、第二和第三的算法。算法性能的评价指标主要有 PSNR和SSIM，但是由于一切算法在SSIM上性能差别不大，本文主要运用PSNR作为评价指标。

模型性能比较

图6：展示了应用本文数据锻炼的CNN模型在经过几次迭代后的去噪才干。不难发现，本文的算法在真实噪声数据集上取得了最优的效果。

结论

本文提出了一个特地针对智能手机降噪的数据集SIDD，给相关研讨提供了基础数据，也一定会推进相关研讨的进一步展开。

Abstract

The last decade has seen an astronomical shift from

imaging with DSLR and point-and-shoot cameras to imaging with smartphone cameras. Due to the small aperture and sensor size, smartphone images have notably more noise than their DSLR counterparts. While denoising for smartphone images is an active research area, the research community currently lacks a denoising image dataset representative of real noisy images from smartphone cameras with high-quality ground truth.

We address this issue in this paper with the following contributions. We propose a systematic procedure for estimating ground truth for noisy images that can be used to benchmark denoising performance for smartphone cameras. Using this procedure, we have captured a dataset – the Smartphone Image Denoising Dataset (SIDD) – of ~30,000 noisy images from 10 scenes under different lighting conditions using five representative smartphone cameras and generated their ground truth images.

We used this dataset to benchmark a number of denoising algorithms. We show that CNN-based methods perform better when trained on our high-quality dataset than when trained using alternative strategies, such as low-ISO images used as a proxy for ground truth data.

泡泡机器人SLAM的原创内容均由泡泡机器人的成员破费大量心血制造而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢送各位转载到自己的朋友圈，让更多的人能进入到SLAM这个范畴中，让我们共同为推进中国的SLAM事业而努力！

商业协作及转载请联络liufuqiang_robot@hotmail.com