去噪的基本思想是什么？

Question

当你做随机抽样时，如果你没有使用足够的样本，比如在下面的阴影中，你就可以得到有噪音的结果。

我知道，如果你使用高频噪声(又称蓝色噪声)，噪声模式只能是高频含量，然后可以进行低通滤波(也称模糊)，以去除高频，只留下噪音较小的低频成分。

去噪总是要做低通滤波器/模糊吗？还是有其他的消除噪音的想法和技术？

Answer 1

去噪总是要做低通滤波器/模糊吗？

不，但这是最明显的技术。一个好的去噪器不仅仅是一个运行在图像上的过滤器，它实际上是执行重建；也就是说，它是从随机样本到图像的函数，而不是从图像到图像的函数。

还是有其他的消除噪音的想法和技术？

是。多年来，主要的去噪技术分为两部分。首先，采用直线检测算法检测图像中的真实边缘。然后，输出将在滤波器内核中设置权重，以执行某种引导模糊，这样模糊就会在没有边缘的情况下最强(即移除更多的频率)，而在有边缘的情况下，模糊将是最弱的(即允许高频)。这将消除更多的噪音从梯度，同时保持边缘。

如今，深度学习已经提供了一个新的技术系列。使用产生噪声的相同技术(例如，路径跟踪，如果您想去噪路径跟踪渲染)，产生大量的图像对，其中一个有高噪音(很少样本)和一个有低噪声(高采样率)。将这些对输入到一个卷积网络中，训练它从高噪声图像中生成低噪声图像。然后将你的高噪音图像输入到经过训练的网络中，享受低噪声输出.这种技术的变化包括让网络为每个图像补丁产生一个过滤器内核，而不是直接学习输出的图像；或者根据其结构(存在什么边缘)对图像补丁进行分类，因此可以类似地处理类似的补丁。有些网络甚至可以将原始样本作为输入，直接生成去噪图像；其他网络则可以指导您的自适应采样算法。

Answer 2

当然，它并不总是关于低通滤波器(例如，关于“降噪”的WP)，但是您必须记住，在您的情况下，噪声总是有一个高频的，因为您基本上可以考虑每个像素的独立噪声实现。因此，在这种情况下，任何消除噪音的方法都会产生低通效应。