【CVPR 2018】SID:Learning to See in the Dark

Posted by ShawnD on February 22, 2024

Abstract

在低光条件下进行成像具有挑战性,原因是光子计数低且信噪比低。

短曝光图像容易受到噪声影响,而长时间曝光可能导致模糊并且通常不切实际。

虽然提出了各种去噪、去模糊和增强技术,但在极端条件下(如夜间视频成像)它们的有效性有限。

为了支持基于学习的低光图像处理流程的开发,我们引入了一组原始短曝光低光图像,并附有相应的长曝光参考图像。

利用这个数据集,我们开发了一个基于全卷积网络的端到端训练的低光图像处理流程。

该网络直接在原始传感器数据上运行,替代了许多传统图像处理流程的部分,这些传统流程在这类数据上通常表现不佳。

我们在新的数据集上报告了有希望的结果,分析了影响性能的因素,并强调了未来工作的机会。