文档链接：1.https://www.eecs.yorku.ca/~kamel/sidd/
2.https://zhuanlan.zhihu.com/p/70502741
一.数据集构造过程
- 用直流（DC）光源来避免交流（AC）灯的闪烁效应[28]。
- 光源可以调节照明亮度和色温（范围从3200K到5500K）。
- 使用了五部智能手机相机（Apple iPhone 7，Google Pixel，三星Galaxy S6 Edge，摩托罗拉Nexus 6和LG G4）。
- 使用不同的相机，不同的设置和/或不同的照明条件多次捕获每个场景。这些的每种组合称为场景实例。对于每个场景实例，我们捕获一系列连续图像，后续图像之间的间隔为1-2秒。在捕获图像序列时，整个过程中所有相机设置（例如ISO，曝光，对焦，白平衡，曝光补偿）都是固定的。
- 我们使用五个智能手机相机以以下设置和条件的四种不同组合（平均）捕获了10个不同的场景：
(1). 15种不同的ISO级别，范围从50到10,000，以获得各种噪声级别（ISO级别越高，噪声越高）。
(2). 三种照明温度可模拟不同光源的效果：钨或卤素为3200K，荧光灯为4400K，日光为5500K。
(3). 三种亮度级别：低，正常和高。
对于每个场景实例，我们捕获了150个连续图像的序列。由于噪声是随机过程，因此每个图像都包含来自传感器噪声分布的随机样本。因此，我们的数据集中的图像总数–智能手机图像降噪数据集（SIDD）–约30,000（10个场景×5个摄像头×4个条件×150张图像）.
二、 Ground Truth Estimation
- 按照第3节中的捕获设置和协议捕获一系列图像；
- 纠正所有图像中的缺陷像素（第4.1节）；
- 忽略异常图像，并按顺序对所有图像进行强度对齐（第4.2节）；
- 相对于单个参考图像对所有图像进行密集的局部图像对齐;
- 应用鲁棒回归估计地面真相图像的基础真实像素强度.
Section 4.1 Defective Pixel Correction
1 我们考虑两种缺陷像素：
（1）产生比预期高的信号读数的热像素；
（2）产生完全饱和信号读数的残留像素。
我们通过应用中值滤波器消除此类噪声来避免更改图像内容。
Section 4.２Intensity Alignment
借助了数理统计中置信度的概念，去除mean intensity of image与整个图像序列的mean intensity of image相差过大的图片。
Section 4.３Intensity AlignmentDense Local Spatial Alignment
我们将智能手机放在振动控制的光学平台上（以排除环境振动），并使用固定基准对平面场景进行成像．我们采用以下方法对噪声图像进行稳健的局部对齐（我们对序列中的每个图像重复此过程）：
（1）选定参考图像；
（2）将图像分割成相互交叠的512*512的图像块。考虑到图像中较高的噪声水平，我们选择足够大的图像块；图像块，我们的估计就越准确。我们这些图像块的中心作为我们用于下一个配准步骤的目标landmark 。
（3）使用准确的基于傅立叶变换的方法[17]从参考图像x_ref估计中每个补丁相对于每个图像x_i相应补丁的局部平移矢量。通过这种方式，我们可以获得每个图像的源landmark。
（4）有了从每个图像x_i中的源landmark到参考图像x_ref中的目标landmark的对应局部平移矢量，我们基于任意landmark对应关系[3]应用2D薄板样条图像扭曲，以将每个图像与参考图片对齐。我们发现我们采用的技术比将未对准问题视为全局2D变换要精确得多。
Camera2 API获取NLF参数
Section 4.4. Robust Mean Image Estimation
此步骤详见论文。