type
status
date
slug
summary
tags
category
icon
password
论文题目：Practical Deep Raw Image Denoising on Mobile Devices
故事会环节：
传统的去噪网络很难在移动设备上部署，所以设计了一个能在一动设备上部署使用的轻量化去噪模型。（过去模型呢，需要在不同噪声水平训练不同的模型使用，不然盲降噪性能很差），本文使用了k-sigma变换将不同的ISO变换到一个空间。性能达到了sota
创新点
- 这是旷视出的用于商业的模型，确实能用（能用在水文漫天的AI领域里也算重中之重了）
- 提出了一个k-sigma变换，用来把不同水平的噪声归一化到同一个域里面，用一个模型解决不同的噪声问题
- 提出一个轻量化的网络
k-sigma变换：
这里对于具体的证明过程就不细说了，文章中写的很细，细到从光子成像开始说了都，可以好好的去读一下。简单来说就是作者通过对高斯泊松噪声的分解，分析，标定，简化，得到了一个结论，k与sigma只和g相关，g是由ISO决定的，通过k-sigma变换，可以把噪声建模成一个和ISO无关的表示，从而把不同等级的噪声放到一个网络里去训，做到盲降噪。
网络结构：
网络具体结构如下：
简单来说，就是一个经典的U-net架构（虽然基本上像素级任务都是这么个架构）特点是加上了一个Sep block，用了个5×5的卷积核增加了点感受野。在长连接的时候也进行了一些操作，没有直接加上来，但整体大差不差把，把身子缩小把支路放大的操作。
总结：
总结来说，这篇论文最大的创新点就是提出了一个k-sigma变换，把不同噪声放到同一个域里，至于网络结构，只能说U-net NB吧，不过k-sigma变换是基于高斯泊松噪声的前提推导的，如果噪声标定不是用的这种方式，或者直接就是真实噪声，不确定效果