论文标题：Joint Demosaicking and Denoising in the Wild: The Case of Training Under Ground Truth Uncertainty 论文链接：https://arxiv.org/abs/2101.04442 作者单位：香港科技大学 引入ELBO loss，表现SOTA！性能优于SGNet、Kokkinos等网络。

图像去马赛克和去噪是数码相机pipeline中的两个关键基本步骤，旨在从嘈杂的亮度读数中重建清晰的彩色图像。在本文中，我们提出并研究了Wild-JDD，这是一种用于联合去马赛克和去噪的新型学习框架。与通常认为训练数据的ground-truth是对现实情况的完美反映的以前的工作形成对比，我们在此认为wild ground-truth不确定性更为普遍且不完善的情况。我们首先以各种伪像（包括拉链效果，色纹和残留噪声）来说明它的表现。然后，我们制定了一个两阶段的数据退化过程，以捕获这种基本事实不确定性，其中共轭先验分布被施加到基本分布上。之后，我们得出证据下界（ELBO）损失来训练一个神经网络，该神经网络近似于以降级输入为条件的共轭先验分布的参数。最后，为了进一步提高分布外输入的性能，我们通过将输入作为信息量较弱的先验来设计一种简单但有效的微调策略。考虑到ground truth的不确定性，Wild-JDD在优化过程中具有良好的可解释性。大量实验证明，它在合成和实际原始数据集的联合去马赛克和去噪任务方面均优于最新方案。

内容中包含的图片若涉及版权问题，请及时与我们联系删除