MSFA图像去噪网络

解耦去噪 逼近真实

通过物理噪声模型与噪声解耦网络，在仅有合成数据的训练下即可达到与真实数据训练相当的去噪性能，并超过现有最佳方法。

Yuqi, Jiang · 付莹 · Liu, Qiankun · 张 军

IEEE Transactions on Pattern Analysis and Machine Intelligence 2025

技术优势

合成数据可替代真实配对数据

物理噪声模型能准确匹配真实噪声分布，生成的合成数据训练网络可与真实数据训练达到相同性能，省去采集配对数据的高昂成本。

噪声解耦网络性能超越现有方法

将噪声分解为简单分布和复杂色偏分量，分别用SNRNet和CNRNet顺序去除，并在CNRNet中引入可学习位置嵌入以应对色偏噪声的非均匀性，整体去噪性能优于现有最先进方法。

提供真实配对数据集

收集了包含长曝光干净图像与短曝光噪声图像的真实MSFA去噪数据集，为后续研究提供公开基准。

应用场景

• 多光谱图像处理：可直接用于MSFA相机图像去噪，提升多光谱图像质量。
• 计算成像：通过物理噪声模型与网络联合设计，突破传统成像限制。
• 低光视觉：针对MSFA低光噪声严重的问题，实现有效去噪。
• 图像传感器：可作为MSFA传感器图像处理管线的去噪模块。