Die Bildgebung bei schlechten Lichtverhältnissen ist aufgrund der geringen Photonenzahl und des geringen SNR schwierig. Kurzzeitbelichtungen leiden unter Rauschen, während Langzeitbelichtungen zu unscharfen Bildern führen können und oft unpraktisch sind. Eine Vielzahl von Entrauschungs-, Entgratungs- und Veredelungstechniken wurden angeboten, aber ihre Wirksamkeit ist unter extremen Bedingungen, wie z. B. bei Nachtaufnahmen mit hoher Bildrate, begrenzt. Um die Entwicklung lernbasierter Pipelines für die Low-Light-Bildverarbeitung zu unterstützen, führen wir einen Datensatz von rohen Kurzzeitaufnahmen mit entsprechenden Langzeitbelichtungs-Referenzbildern ein.
Basierend auf dem vorgestellten Datensatz entwickeln wir eine Pipeline für die Verarbeitung von Low-Light-Bildern, basierend auf dem End-to-End-Training eines vollständigen Faltungssystems. Das Netzwerk arbeitet direkt mit rohen Sensordaten und ersetzt einen Großteil der traditionellen Bildverarbeitungspipeline, die bei solchen Daten eher schlecht abschneidet. Wir berichten über vielversprechende Ergebnisse des neuen Datensatzes, analysieren Faktoren, die die Leistung beeinflussen, und zeigen Möglichkeiten für zukünftige Arbeiten auf.
Credits:
University of Illinois at Urbana – Champaign Intel Labs
