1 先讲讲文章干啥的

    深度学习降噪须要成对的图像（噪点数据、对应的清晰数据）。算法

    一般 raw 数据通过 isp 流程（我前面的博客介绍过什么是 isp：图像 ISP 处理流程以及新人学习图像的注意点）后获得的 rgb 数据的噪点比较复杂，而本来的 raw 数据的噪点相对容易模拟。做者假设总体噪声能够更准确地建模为包含高斯和泊松信号相关份量或者从一个方差是强度函数的异方差高斯分布中采样。网络

    因此，做者本身在清晰的 raw 上面和成有噪声的 raw，而后用神经网络降噪。架构

2 而后看看处理流程思路

    懂了做者要干啥，再看整个处理流程，就一目了然了，也不须要过多解释，网络用 UNet 的架构。函数

3 最后我我的总结总结

    文章其余细节都不须要看。学习

    其实用深度学习在 raw 上面降噪的话，为什么不直接用有噪点的 raw 和原 raw 来计算 loss？后面加个 isp 流程，无非便于直观比较结果嘛。那根据 raw 计算 loss 后再加个 isp 流程获得 rgb 不照样能够比较结果？spa

    通过 isp 流程后的噪点其实会变得更加多样化，有点数据加强的意思。我没有看过做者其余的论文，也不知道他研究哪一个领域。但凡一个 isp 相关的图像算法从业者，都知道 isp 的流程里面会包含 raw 域的降噪。全文看似是对 raw 降噪，我以为本质仍是对 rgb 降噪。.net