Lernen, im Dunkeln zu sehen

Die Bildgebung bei schwachem Licht ist aufgrund der niedrigen Photonenzahl und des geringen SNR eine Herausforderung. Kurzzeitbelichtungsbilder leiden unter Rauschen, während lange Belichtungszeiten Unschärfe verursachen können und oft unpraktisch sind. Eine Vielzahl von Denoising-, Entunschärfungs- und Verbesserungstechniken wurden vorgeschlagen, aber ihre Effektivität ist unter extremen Bedingungen, wie der Videoaufnahme bei Nacht, begrenzt. Um die Entwicklung von lernbasierten Pipelines für die Bildverarbeitung bei schwachem Licht zu unterstützen, stellen wir einen Datensatz von rohen Kurzzeitbelichtungsbildern bei schwachem Licht vor, mit entsprechenden Langzeitbelichtungsreferenzbildern. Mit dem präsentierten Datensatz entwickeln wir eine Pipeline zur Verarbeitung von Bildern bei schwachem Licht, basierend auf End-to-End-Training eines vollständig konvolutionalen Netzwerks. Das Netzwerk arbeitet direkt auf Rohsensordaten und ersetzt einen Großteil der traditionellen Bildverarbeitungspipeline, die bei solchen Daten tendenziell schlecht abschneidet. Wir berichten von vielversprechenden Ergebnissen auf dem neuen Datensatz, analysieren Faktoren, die die Leistung beeinflussen, und heben Chancen für zukünftige Arbeiten hervor.