【论文阅读笔记】CycleISP: Real Image Restoration via Improved Data Synthesis

论文地址：https://arxiv.org/abs/2003.07761
代码地址：https://github.com/swz30/CycleISP

论文小结

  总的来说，就是现实世界中无法获取有效的图像对。且之前合成噪声的方式是在sRGB上添加高斯白噪声，但对于相机传感器成像管道来说，经过一系列的处理，噪声早已不是高斯白噪声了，所以之前的论文方法在相机图像中效果不好。
  所以作者设计了一种模式，实现sRGB图像->RAW图像->添加噪声->sRGB图像的一个循环过程，所以整个架构成为CycleISP。
  在训练的时候，sRGB图像->RAW图像的子网络，与RAW图像->sRGB图像的子网络使用干净图像单独训练。在RAW图像->sRGB图像的子网训练完成后，对RAW图像添加噪声，则能得到对应的有噪声的sRGB图像。通过完成的管道，可以得到sRGB去噪图像对。

论文简介

  真实世界中，由于数据不容易制作。所以图像去噪算法主要是在合成数据上开发和评估的。这些合成数据通常在广泛假设加性高斯白噪声 (AWGN) 的情况下生成的。
  但正如最近的基准数据集所报告的那样，它们在应用于真实相机图像时表现不佳。这主要是因为 AWGN 不足以模拟真实的相机噪声，它是信号相关的并且由相机成像管道经过大量转换得到的。在本文中，作者提出了一个框架，可以在正向和反向方向上对相机成像管道进行建模。 它允许我们生成任意数量的真实图像对，用于在 RAW 和 sRGB 空间中进行去噪。
  本文模型中的参数比以前最好的 RAW 降噪方法少 5 倍。

  在本文中，作者提出了一种数据合成方式方法，可以在RAW和sRGB空间中生成真实的噪声图像。主要思想，是将噪声注入到我们学习到的设备位置变换获得的RAW图像中，而不是直接注入到sRGB图像中。这种框架背后的关键见解是：sRGB图像中存在的真实噪声被常规图像信号处理（ISP）管道中执行的一系列步骤所扭曲[6, 46]。所以，与原始传感器数据[35]相比，在sRGB中建模真实相机噪声是一项固有的艰巨任务。例如，RAW传感器空间是信号相关（signal-dependent）的，在经过去马赛克后，它变成空间-色彩相关。再通过其余的管道后，它概率分布不一定仍然保持高斯分布。这表示着相机ISP将传感器噪声进行了严重的转换。因此，相较于统一的AWGN模型，我们需要对图像管道对真实合成噪声的影响进行更详细的建模过程。（therefore more sophisticated models that take into account the influence of imaging pipeline are needed to synthesize realistic noise than uniform AWGN model [1, 26, 44].）

  为了利用互联网上可用的sRGB照片的丰富性和多样性，所提出的合成方法的主要挑战是如何将他们转换回原始测量值。[7]提出了一种技术，可用逐步反转相机ISP，因此可用转换sRGB数据到RAW数据。然而，这种方法需要关于目标相机设备的先验信息(例如，颜色校正矩阵和白平衡增益)，这使得它特定于给定的设备，因此缺乏普遍性。此外，相机管道中的一些操作是专有的，这样的黑盒很难进行逆向工程。
  为了解决这些挑战，在本文中，我们提出了一个CycleISP框架，它可以将sRGB图像转换为RAW数据，然后再转换回sRGB图像，而不需要任何相机参数的知识。这个属性允许我们在RAW和sRGB空间中合成任意数量的干净和真实的噪声图像对。

  作者的主要贡献有：

1. 学习一种设备无关的转换，称为CycleISP，它允许我们在sRGB和RAW图像空间之间来回移动。
2. 真实图像噪声合成器，用于在RAW和sRGB空间中生成干净/噪声配对数据。
3. 一个具有双重注意机制的深度CNN，在各种任务中都有效:学习CycleISP，合成真实噪声和图像去噪。
4. 从RAW和sRGB图像中去除噪声的算法，在DND[44]和SIDD[1]的真实噪声基准上设置了最新的技术(见下图1)。此外，我们的去噪网络的参数(2.6M)比之前的最佳模型(11.8M)[7]少得多。
5. CycleISP框架的推广超越了去噪，作者通过一个额外的应用，即立体电影中的颜色匹配来证明这一点。

  一个更精确的真实RAW传感器噪声模型既包含信号相关的噪声分量(射击噪声)，也包含信号无关的加性高斯分量(读噪声)[22,23,24]。

CycleISP

  为了合成真实的噪声数据集，作者在这项工作中使用了两阶段方案。首先，开发了一个框架，在正向和反向两个方向上对相机ISP建模，因此命名为CycleISP。其次，利用CycleISP合成真实噪声数据集用于RAW图像去噪和sRGB图像去噪。

  CycleISP模型的模块如下图所示，（a） RGB2RAW网络分支；（b）RAW2RGB网络分支。此外，作者还引入了一个额外的颜色校正网络分支，为RAW2RGB网络提供显式的颜色attention，以正确恢复原始sRGB图像。

  上图中的噪声注入，只有在合成噪声数据阶段时才需要。CycleISP的训练过程分为两步：（1）独立训练RGB2RAW和RAW2RGB网络（2）进行联合微调。

RGB2RAW网络分支

  数码相机对RAW传感器数据进行一系列操作，以生成可用于监控的sRGB图像[46]。本文的RGB2RAW网络分支旨在扭转摄像机ISP的影响。与[7]的非处理技术相比，RGB2RAW分支不需要任何相机参数。

  RGB图像$I_{rgb}\in {\mathbb{R}}^{H\ast W\ast 3}$作为输入，经过一个卷积层$M_0$得到特征$T_0\in {\mathbb{R}}^{H\ast W\ast C}$，再通过N个循环残差组（RRGs，recursive residual groups）提取深层特征$T_d\in {\mathbb{R}}^{H\ast W\ast C}$，起重每个RRG包含多个多重注意块。$$T_d=RR{G}_N(...(RR{G}_1(T_0)))\text{\hspace{1em}(1)}$$

  然后再通过一个最后的卷积操作$M_1$获得去马赛克图像${\hat{I}}_{dem}\in {\mathbb{R}}^{H\ast W\ast 3}$。这里让$M_1$的channel为$3$是有意为之的，是想让其尽量与原图有一样的结构信息。且实验结果也表明，channel为$3$有助于网络更快、更准确地学习从sRGB到RAW的映射。在这一点上，该网络能够反转色调映射、伽马校正、颜色校正、白平衡和其他转换的效果，并为我们提供图像${\hat{I}}_{dem}$，其值与场景亮度线性相关。最后，为了生成有马赛克的RAW输出${\hat{I}}_{raw}\in {\mathbb{R}}^{H\ast W\ast 1}$。将拜耳采样函数$f_{Bayer}$应用到${\hat{I}}_{dem}$，依据拜耳模式，每个像素省略两个颜色通道。$${\hat{I}}_{raw}=f_{Bayer}(M_1(T_d))\text{\hspace{1em}(2)}$$

  看来，图上的马赛克层，就是$f_{Bayer}$了，拜耳函数。

  RGB2RAW网络使用线性域和对数域的$L_1$损失进行优化，下公式中的$ϵ$是小数值的常量，$I_{raw}$是ground truth RAW图像，也像[21]一样，加入了对数损失项以强制对所有像素值进行近似相等的处理，否则网络将更多的注意力用于恢复突出区域。$${\mathcal{L}}_{s\to r}({\hat{y}}_{raw},I_{raw})=\Vert {\hat{I}}_{raw}-I_{raw}{\Vert }_1+\Vert log(max({\hat{I}}_{raw},ϵ))-log(max(I_{raw},ϵ)){\Vert }_1\text{\hspace{1em}(3)}$$

RAW2RGB网络分支

  RAW2RGB网络的最终目标是为sRGB图像去噪问题生成合成的真实噪声数据。本节的内容还是先描述如何将干净的RAW图像映射到干净的sRGB图像（即图2中让噪声注入模块保持"OFF"状态）。

  为了减少计算消耗，将$I_{raw}$装成$2\ast 2$的块，变为4个channel（RGGB）。也因为输入的RAW图像可能来自于不同的相机，有不同的拜耳模式，所以我们需要注意channel的顺序，利用拜耳模式统一技术，保持图像的通道顺序为RGGB。再然后，通过一个卷积层$M_2$后，接着$K-1$个RRG模块对堆叠的RAW图像$I_{pack}\in {\mathbb{R}}^{\frac{H}{2}\ast 2\frac{W}{2}\ast 4}$进行编码，得到深层特征tensor$T_{d^{\prime }}\in {\mathbb{R}}^{\frac{H}{2}\ast \frac{W}{2}\ast C}$。$$T_{d^{\prime }}=RR{G}_{K-1}(...(RR{G}_1(M_2(Pack(I_{raw})))))\text{\hspace{1em}(4)}$$

  需要注意的是，$I_{raw}$是原始的相机RAW图像，而不是RGB2RAW图像的输出。因为这里的首要目标是先独立地学习RAW到sRGB的映射。

颜色attention单元

  使用MIT-Adobe FiveK数据集[10]训练CycleISP。MIT-Adobe FiveK数据集包含数个不同相机的图像，这些相机有不同而复杂的ISP系统。

  CNN很难准确地学习所有不同类型相机的RAW到sRGB映射函数(因为一个RAWimage可以映射到许多sRGB图像)。一种解决方案是为每个摄像头ISP训练一个网络[13,51,62]。然而，这样的解决方案是不可扩展的，性能可能无法推广到其他相机。为了解决这个问题，我们建议在RAW2RGB网络中包含一个颜色注意单元，它通过一个颜色校正分支提供显式的颜色注意。
  颜色校正分支是一个CNN，以sRGB图像$I_{rgb}$作为输入，生成颜色编码的深层特征tensor $T_{color}\in {\mathbb{R}}^{\frac{H}{2}\ast \frac{W}{2}\ast C}$。在颜色校正分支中，先对$I_{rgb}$应用高斯模糊，再接着一个卷积层$M_3$，接着两个RRGs，以及一个门机制的sigmoid激活函数$\sigma$：$$T_{color}=\sigma (M_4(RR{G}_2(RR{G}_1(M_3(K\ast I_{rgb})))))\text{\hspace{1em}(5)}$$

  公式(5)中，$\ast$表示卷积，$K$表示标准差经验性设为$12$的高斯核。这种强模糊操作确保了只有颜色信息可以流经这个分支，而结构内容和精细纹理主要来自RAW2RGB网络。使用较弱的模糊处理会削弱公式(4)的特征张量$T_{d^{\prime }}$的有效性。$$T_{atten}=T_{d^{\prime }}+(T_{d^{\prime }}\otimes T_{color})\text{\hspace{1em}(6)}$$

  公式（6）中的$\otimes$是哈达玛积（Hadamard product），即点乘。然后再通过一个RRG模块，一个卷积层$M_4$，一个上采样层$M_{up}$将颜色注意力单元输出的特征$T_{atten}$转换为最后的sRGB图像${\hat{I}}_{rgb}$。$${\hat{I}}_{rgb}=M_{up}(M_5(RR{G}_K(T_{atten})))$$

  为优化RAW2RGB网络，使用$L_1$损失进行优化。$${\mathcal{L}}_{r\to s}({\hat{I}}_{rgb},I_{rgb})=\Vert {\hat{I}}_{rgb}-I_{rgb}{\Vert }_1$$

RRG：循环残差组

  RRG模块如下图3所示：RRG包含$P$个双重注意块（DAB），每个DAB的目标是抑制不太重要的特性，只允许传播更有信息的特性。DAB通过使用两种注意机制：（1）通道级注意（CA）和（2）空间级注意（SA）进行特征的再校准。

  上面管道可以通过如下公式(9)表示：其中$U\in {\mathbb{R}}^{H\ast W\ast C}$表示着输入tensor $T_{in}\in {\mathbb{R}}^{H\ast W\ast C}$通过DAB前端的两层卷积层得到的特征图。而$M_c$是经过最后一个卷积核大小为$1\ast 1$的卷积层。 $$T_{DAB}=T_{in}+M_c([CA(U),SA(U)])\text{\hspace{1em}(9)}$$

CycleISP的联合训练

  在RGB2RAW网络和RAW2RGB网络单独训练后，进行联合训练，即将RGB2RAW的输出变成RAW2RGB的输入。联合优化的损失函数如下公式所示，其中$\beta$是一个正常量：$${\mathcal{L}}_{joint}=\beta {\mathcal{L}}_{s\to r}({\hat{I}}_{raw},I_{raw}+(1-\beta ){\mathcal{L}}_{r\to s}({\hat{I}}_{rgb},I_{rgb}))$$

合成真实噪声数据生成

RAW去噪数据

  CycleISP方法的RGB2RAW网络分支使用干净的sRGB图像作为输入，并将其转换为干净的RAW图像。就像下图的顶部分支。在训练CycleISP时，原本为“OFF”状态的噪声注入模块就需要变成“ON”状态。噪声注入模块在RGB2RAW网络的输出中添加不同级别的射频噪声和读噪声（shot and read noise）。作者使用和[7]中相同的程序来采样射频/读取（shot/read）噪声因子。因此，我们可以从任何sRGB图像生成干净及其对应的图像对 { R A W c l e a n ， R A W n o i s e } \{RAW_{clean}，RAW_{noise}\} {RAWclean​，RAWnoise​}。

sRGB去噪数据

  给定合成的RAW噪声数据作为输入，RAW2RGB网络将其映射到一个噪声的sRGB图像（上图的底部分支）。因此，我们能够为sRGB去噪问题生成一个图像对 { s R G B c l e a r ， s R G B n o i s e } \{sRGB_{clear}，sRGB_{noise}\} {sRGBclear​，sRGBnoise​}。

  虽然这些合成图像对已经足以训练去噪网络，但我们可以通过以下步骤进一步提高质量。使用真实相机捕获的SIDD数据集[1]对CycleISP模型进行微调。对于每个静态场景，SIDD在RAW和sRGB空间中都包含干净和有噪声的图像对。微调过程如下图4所示。注意，添加随机噪声的噪声注入模块被（仅用于微调）逐像素噪声残留（$noise=RA{W}_{noisy}-RA{W}_{clean}$）所代替，其中$RA{W}_{noisy}$和$RA{W}_{clean}$的都是真实图像获得的。一旦微调过程完成，我们可以通过给CycleISP模型提供干净的sRGB图像来合成真实的噪声图像。

去噪框架

  如下图5所示，作者提出了一个使用多个RRG的图像去噪网络，并将所提出的下面这个网络用语两组不同设置中：（1）RAW图像去噪；（2）sRGB图像去噪。在这两种设置下，使用相同的网络结构，唯一的区别在于输入和输出的处理。对于sRGB空间的去噪，网络的输入和输出是3通道的sRGB图像。对于RAW图像去噪，网络将4通道噪声填充图像与一个4通道噪声级别图连接作为输入，提供的是一个4通道压缩去噪输出。（For denoising the RAW images, our network takes as input a 4-channel noisy packed image concatenated with a 4-channel noise level map, and provides us with a 4-channel packed denoised output.）。噪声级别图提供了输入图像中存在的噪声的标准偏差的估计，基于其拍摄和读取噪声参数[7]。

论文实验

真实图像数据集

  DND数据集，是由4款消费级相机捕获的50个去噪图像对。由于原图是超高分辨率的，所以提供者为每张图片提供了$20$ 个 $512\ast 512$的切片（crop），所以一共有$20\ast 50=1000$个patches。由于ground-truth的无噪声图片没有公开，所以这个数据集通常用于测试。测试途径是在线服务可以计算得到PSNR和SSIM，RAW空间和sRGB空间均可。

  SIDD数据集。由于小的sensor size和高分辨率，相比较于那些DSLRs，智能手机图像要有更多的噪声。这个数据集用五个智能手机相机手机而成。SIDD有320个图片对可以用于训练，1280个图片对可以用于验证。该数据集也提供了RAW空间和sRGB空间图像。

实现细节

  使用Adam优化器，${\beta }_1=0.9$，${\beta }_2=0.999$，patchSize为128。使用拜耳统一（Bayer unification）和增强技术（水平翻转和垂直翻转）。DAB除了最后一个卷积层为$1\ast 1$，其他的卷积层均为$3\ast 3$。

CycleISP的初始训练

  用MIT-Adobe FiveK数据集训练CycleISP模型。MIT-Adobe FiveK有$5000$张RAW图像。作者使用LibRaw 库处理RAW图像，生成sRGB图像。拆分4850张图像用于训练，150张图像用于验证。
  RGB2RAW网络和RAW2RGB网络均使用$3$个RRGs和$5$个DABs构建，使用$2$个RRGs和$3$个DABs用于颜色校正网络。CycleISP的RGB2RAW和RAW2RGB分支都独立训练$1200$个epochs。batch size为$4$，初始学习率为$10^{-4}$，在$800$个epoch后降到$10^{-5}$。

CycleISP Fine-tuning

  先用无噪声图像对CycleISP进行finetune，然后使用合成的噪声图像再次进行finetune。在前者中，CycleISP模型的输出是无噪声的；在后者中，输出是有噪声的。对于每个fine-tuning阶段，训练$600$个epochs，batchSize设为$1$，学习率为$10^{-5}$。

去噪网络的训练

  在四个训练集中，分别训练了四个网络，数据集分别为：（1）DND RAW 数据；（2）DND sRGB图像；（3）SIDD RAW 数据；（4）SIDD sRGB图像。四个网络，都使用$4$个RRGs和$8$个DABs，$65$个epoch，batchSize为$16$，初始学习率为$10^{-4}$，每$25$个epoch学习率衰减$10$倍。

  从MIR flickr扩展数据集（MIR flickr extended dataset）去了$1000000$张图像，依据$90:5:5$的比例划分用于训练、验证和测试。所有图像都使用标准差$\sigma =1$的高斯核进行预处理，以减少噪声和其他伪影的影响。然后使用前面得到干净/噪声图像对的方式获得数据用于训练。

RAW去噪结果

  下表展示了所有竞争方法在评估服务器[16]网站上获得的DND数据集的量化结果（PSNR/SSIM）。下表中有两个指标，RAW是在RAW空间去噪后的对比结果，sRGB列是服务器使用图像元数据将去噪后的RAW图像通过摄像机成像管道传递后提供的。本文模型的参数比之前最好的方法[7]（2019.）要少5倍的参数。

  下表是在SIDD数据集上RAW空间的去噪结果，表现和DND趋势基本一致。

  下图是当时最先进网络的视觉对比效果。本文模型能有效地去除真实噪声，特别是低频色度噪声和缺陷像素噪声。

sRGB去噪结果

  虽然建议对RAW数据(其中噪声不相关且不太复杂)[26]应用去噪，但去噪通常在sRGB域进行研究。下面两表展示了在DND和SIDD数据集上sRGB图像的去噪结果。

  下面两图是在DND和SIDD上sRGB去噪的结果。为了去除噪声，大多数评估算法要么产生过平滑的图像(并牺牲图像细节)，要么生成带有斑点纹理和色度伪影的图像。相比之下，本文的方法生成干净和无伪影的结果，同时忠实地保存图像细节。

  为了比较用我们的方法生成的合成数据训练的去噪模型与[7]的去噪模型的泛化能力，作者进行了以下实验。作者采用(公开的)为DND训练的[7]去噪模型，并直接在SIDD数据集的RAW图像上评估它。作者对去噪模型也重复相同的过程。为了公平的比较，作者使用与[7]相同的网络架构(U-Net)和噪声模型。唯一的区别是从sRGB到RAW的数据转换。表5的结果表明用本文的方法训练的去噪网络不仅在DND数据集上表现良好，而且对SIDD集也有很好的泛化效果(相较于[7]而言，增益大约 $1$ dB)。

消融学习

  从小表可以看出，短的skip connections是最重要的一部分，其次是颜色校正分支。

立体电影的色彩匹配