摘要

基于显式校准的方法在极低光照条件下的RAW图像去噪任务中长期占据主导地位。然而，这类方法面临若干关键局限：a）显式校准过程耗时且劳动密集；b）在不同相机型号之间迁移去噪模型存在困难；c）数字增益会加剧合成噪声与真实噪声之间的差异。为解决上述问题，我们提出了一种开创性的处理流程——Lighting Every Darkness（LED），该方法对数字增益和相机传感器类型均具有强鲁棒性。LED无需进行显式的噪声模型校准，而是采用隐式微调机制，实现快速部署并仅需极少数据。同时，通过结构上的优化设计，在不增加额外计算开销的前提下显著缩小了合成噪声与真实噪声之间的差距。实验表明，该方法在多种相机型号（包括公开数据集中未涵盖的新型号）上均显著优于现有方法，仅需每种数字增益下少量样本对，且迭代次数仅为常规方法的0.5%。此外，LED使研究人员能够更专注于深度学习模型的创新，同时仍能充分受益于传感器工程的优化成果。相关代码与项目资料详见：https://srameo.github.io/projects/led-iccv23/。