Github
论文项目介绍：Awesome-Denoise
Awesome-Denoise 是一个综合的项目，收集了关于图像和视频去噪的优秀研究论文。在现代世界中，视觉媒体越来越多地包含噪声，这一项目的宗旨就是通过分类和总结各类去噪方法来帮助研究者和工程师针对不同应用场景找到合适的去噪技术。
主要分类因素
为了便于理解和选择去噪技术，这些论文被分为不同的类别，主要基于以下三个因素：
色彩空间
- RGB：常见的标准图像色彩空间。
- Raw：未经过任何图像处理器（ISP）处理的原始图像格式。
- Both：包含同时涉及 RGB 和 Raw 色彩空间处理的研究。
图像类型
- 单影像（Single）：只针对单张图像进行去噪处理的研究。
- 连拍（Burst）：利用连拍的一组图像进行去噪。
- 视频（Video）：针对视频流中的噪声去除。
噪声模型
- AWGN（加性白高斯噪声模型）
- PG（泊松高斯噪声模型）
- GAN 基础的噪声模型：利用生成对抗网络进行噪声建模。
- 真实噪声模型：来自相机或单反设备的真实噪声。
- Prior（先验）：
- 低秩（Low Rank）
- 稀疏性（Sparsity）
- 自相似性（self-similarity）
基准数据集
项目中引用了一些重要的数据集用于去噪算法的评价，包括但不限于：
- SIDD：一个高质量去噪的数据集，专为智能手机相机设计。
- RENOIR：用于真实低光条件图像噪声去除。
- PolyU：真实世界噪声图像去噪新基准。
- SID：在极限低光条件下的学习。
- DND：真实照片去噪算法评测。
- NaM：利用跨通道图像噪声建模进行综合去噪。
自监督去噪
自监督去噪技术不需要干净数据即可进行图像和视频去噪学习。自监督方法包括：
- 视频去噪，例如未监督的深度视频去噪。
- 图片去噪，包括多种创新方法如 Noise2Noise、Noise2Void 等。
年度研究总结
Awesome-Denoise 项目还按照年份对各类研究进行总结，帮助研究者追踪近年来的技术发展和研究潮流。这些总结不仅关注新出现的技术，还包括对流行方法的改进和新数据集的应用。
总之，Awesome-Denoise 是一个为图像和视频去噪研究者和工程师提供大量资源的项目，汇集了论文、数据集和最新的去噪技术分类，使得在不同应用场景中选择合适的去噪方法变得更为轻松和简便。
