《A High( 六 ) _智能手机

5.2.结果和讨论
表1：去噪性能psnr(D b)、ssim和去噪时间（秒)每1个像素图像(1024×1024像素）的基准方法平均超过40幅图像构成我们的Sidd基准。前三种方法是用颜色（绿色、蓝色和红色）自上而下的性能顺序表示的，最好的结果是粗体。作为参考，原始RGB和SRGB中基准图像的平均psnrs分别为36.70db和19.71db，原始RGB和SRGB的平均ssim值分别为0.832和0.397 。值得注意的是，文献[25]中噪声图像的平均psnrs为39.39d b(RAW-RGB)和29.98(SrGB)，表明噪声水平低于我们的数据集。
表1显示了基准算法在峰值信噪比(PSN R)、结构相似性(Ssim)[31]和去噪时间方面的性能。然而，我们的讨论将集中在基于psnr的方法排序上，因为性能最好的方法往往具有相似的ssim分数，特别是在原始RGB空间中。从psnr结果中，我们可以看到，经典的基于补丁和基于优化的方法(例如，bm3d、ksvd、和wnnm)在实际图像上测试时，性能优于基于学习的方法(例如MLP、TNRD和dncnn) 。这一发现也在[25]中观察到。此外，我们还对[25]中没有研究的一些方法进行了基准测试，并进行了一些有趣的观察。一是在DCT和全局字典上训练的经典ksvd算法的两个变体，在srgb空间去噪的情况下，达到了最好的和第二好的psnrs 。这主要是因为底层字典很好地代表了srgb空间中小图像块的分布。另一个观察是，与srgb空间中的去噪相比，空间中的去噪具有更高的质量和更快的去噪速度，如表1所示。此外，我们还可以看到，bm3d仍然是文献中最快的去噪算法之一，以及基于tnrd和字典的ksvd，其次是其他鉴别方法(例如dncnn和MLP)和NLM 。此外，这种去噪时间的检查引起了人们对一些去噪方法的适用性的关注。例如，虽然WNNM是最好的脱硝剂之一，但它也是最慢的。总的来说，我们发现bm3d算法在去噪质量和计算时间相结合方面仍然是表现最好的算法之一。
n训练应用
为了进一步研究我们的高质量地面真相图像的有用性，我们使用它们来训练dncnn去噪模型[33]，并将结果与在处理后的低iso图像[25]上训练的相同模型作为另一种类型的地面真相进行比较。对于每种类型的地面真相，我们用两种类型的输入来训练dncnn：我们的真实噪声图像和我们的地面真实图像，加上合成高斯噪声。对于合成噪声，我们使用真实噪声图像估计的平均噪声水平（σμ）来合成噪声。我们发现，使用高于σμ的噪声水平进行训练会产生较低的测试性能。为了进一步评估这四个训练案例，我们对随机选择的原始RGB图像补丁的两个子集进行了测试，一个具有低噪声水平，另一个具有中等到高噪声水平，如表2所示。由于我们只能访问五个低iso图像后处理[25]，我们使用它们在子集a，而对于子集b，我们必须后处理额外的低iso图像使用我们自己的实现[25] 。在所有四种训练情况下，我们根据我们的地面真实图像测试性能。
图8：在数据集的两个随机子集上使用两种类型的地面真值(后处理的低ISO和我们的地面真值图像)和两种类型的噪声（合成和真实）来测试dncn2) 。在真实噪声上训练我们的地面真相会产生最高的psnrs 。
图8显示了dncnn的测试结果，使用两种类型的地面真相进行训练(后处理的低ISO与我们的地面真相图像)和两种类型的噪声（合成和真实）。结果显示了两个子集a和b 。我们可以看到，使用真实噪声的地面真相的训练产生最高的psnrs，而使用具有真实噪声的低等地面真相产生较低的psnrs 。原因之一是低iso图像中的剩余噪声.. 此外，后处理可能不足以消除低和高iso图像之间的强度和空间失调。此外，在合成噪声上训练的模型同样地执行，而不考虑潜在的地面真相。这是因为这两种模型都是在相同的高斯噪声分布上训练的，因此学会了对相同分布的建模。此外，bm3d在低噪声水平(子集a)上的表现相当好，而在我们的地面真实图像上训练的dncnn在所有噪声水平（两个子集）上的表现明显优于bm3d 。为了研究是否有偏见使用我们的地面真相作为评估的参考，我们比较了四个模型中去噪块的无参考噪声估计（β1、β2和σ）。如表3所示，用真实噪声对我们的地面真相进行训练，主要产生最高的质量，特别是对于β1，这是信号相关噪声的主要成分[30] 。