原创声明：本文为是暮涯啊在CSDN创作，认准原创地址https://blog.csdn.net/longshaonihaoa/article/details/124144604 未经允许，请勿转载。
ISP论文整理1 会记录顶会订刊的论文
ISP论文整理2 记录一些workshop或者arxiv等的论文。
7、Deep Camera: A Fully Convolutional Neural Network for Image Signal Processin（ICCVW19）
论文 被引20
说这个传统分阶段ISP会把每个步骤的loss累加并降低最终图像质量。因此用全卷积网络替代缺陷像素校正、去噪、白平衡、曝光校正、去马赛克、颜色变换和伽马编码（defect pixel correction, denoising, white balancing, exposure correction, demosaicing, color transform, and gamma encoding），他说这是第一篇端到端CNN替代ISP流程的论文（啊这），大量实验证明效果比传统的好。
损失函数定义为：
其中前一项为负对数似然项，后一项为负log先验项。其中DOG表示对x的高斯差（difference of Gaussian），这项使用L1对高频边缘信息好。
8、W-Net: Two-stage U-Net with misaligned data for raw-to-RGB mapping（ICCVW2019）
论文 被引9
AIM 2019 raw-to-RGB mapping 挑战赛使用的ZRR数据集具有不对齐的问题，且白平衡增益和色彩校正矩阵（white balance gains and color correction matrix）不可获得，所以任务很难。本文提出一个双阶段Unet和一个新的loss，该loss对对齐影响小，对色彩差异更敏感。在比赛中PSNR和SSIM指标均比第二名高。
本文和6思路相同（本文先发表）第一个Unet可以获得comparable效果，然后用第二个Unet boost效果。Unet结构如下
上采样过程中对每个concat之后用SE做通道attention。
8.1 Loss
作者采用了3个loss。
1）Pixel loss采用L1，由于数据对不对齐，会导致模糊。
2）Feature Loss。也就是Perceptual loss，用L1拉进经过VGG后的特征。
3）Color Loss。计算pred和gt降采后的Cos距离。公式如下
9、Replacing Mobile Camera ISP with a Single Deep Learning Model（ PyNET，CVPRW2020）
论文 被引60
数据集、演示、code等官方网址
文章说本文可以在不需要任何先验的情况下，证明端到端的网络可以超过即使是最复杂ISP。作者提出金字塔CNN结构来代替所有ISP流程，直接从移动相机传感器获得的 RAW Bayer 数据转换为使用专业高端数码单镜头反光相机（digital single-lens reflex camera，DSLR）拍摄的照片，从而使该解决方案独立于任何特定的移动 ISP 实施。作者还自己提出了新的数据集。
网络作为一个金子塔而非Unet结构，主要是每层都有单独的卷积进行处理。网络本来很简单，但是图画的有点超出常人理解，一般框框都当成feature map，这里当成卷积，所以导致框框之间没有卷积的相连。所以在看的时候横向框框之间如果没有线条，就是卷积得到的。比如level5，跳连相加就是简单的res block。每个灰色的concat层 都迷人是将有连线的和前面的卷积结果进行concat。不同尺度纵向平行代表用不同ks并行处理前面的feature map，然后将结果进行concat。卷积后使用LReLU，level2-5采用IN。
网络训练很神奇啊，按照从level5->level1以此训练，作者认为这样每次更高的层在训练时，前面的输出进行采作为当前的输入，就只用学习丢失的细节，refine之前的结果就好。
LOSS：level4-5学习全局颜色，亮度/gamma 矫正（global color and brightness / gamma correction），使用MSE
level2-3 refine颜色，形状属性，用MSE+Perceptual loss
level1 用于纹理增强，噪声移除，局部颜色处理，用Perceptual loss + 0.75SSIM+0.05MSE
10、AWNet: Attentive Wavelet Network for Image ISP（ECCVW 2020）
论文 被引10
代码
本文利用attention机制和小波变换（wavelet transform），提出了AWNet处理ISP问题。其中小波变换可以从raw中重建有利的细节，获得大的感受野，同时计算成本高效。全局上下文（global context）结构学习non-local的颜色映射，并且能缓解图像不匹配的问题。
前面有提到6，8也是采用两个Unet，不过他们是串行，本文是并行处理。其中上面的网络是将Bayer filter（RGGB）采样转为4个通道作为输入。下面是将raw图经过demosaic操作后获得原尺寸大小的三通道图作为输入。绿色框框具体如下
黄框之外是res-dense connect，可以提升颜色重建，黄色框框是global context模块，鼓励网络学习全局颜色映射（global color mapping），不再赘述。下面稍微说说wavelet transform
这个讲道理还蛮有意思的，因为之前在整理去噪论文时候有看过几个工作采用小波变换。这里DWT/IDWT和Conv相互结合使用。作者说空域和频域结合可以有助于学习丰富的特征。如果我看代码没错的话，上图应该都是画错的，左边RWDB中，X都采用了一个步长为2的卷积，X进入DWT，并将得到的的低频特征与卷积concat，这样concat的对象都是原来尺寸的一半。这也符合常理，毕竟有两个的话每次降采4，连接5层就要最少256的尺寸，比输入还大。RWUB的代码中是没有步长为2的卷积的，这也符合常理，左边上采2倍，右边IDWT也是变为原来尺寸的二倍，这样可以concat。具体可以查看代码。
损失函数：Cb loss + Perceptual loss + SSIM loss + Multi-scale loss
这个Multi-scale loss和上个论文9的损失函数一个模子刻出来的。尺度最小的两层，学习全局颜色和色调映射global color and tone mapping，使用Cb loss。中间尺寸的两层保持感知可接受性和全局映射（perform global mapping while remaining the perceptual acceptance）所以用Cb loss+0.25Perceture loss。最高尺寸的，raw一层，demosaic两层，用来恢复图像纹理和颜色映射，因此使用Cb loss+0.25Perceture loss+0.05SSIM loss。最后的Multi-scale loss采用上面每层的和。
11、EEDNet: Enhanced Encoder-Decoder Network for AutoISP（ECCVW2020）
论文 被引2
文章提出一个关于感受野的假设，大感受野（LRF）对high-level cv中至关重要，但low-level的pixel-to-pixel任务中不重要。（后一句不知道，前一句最近的ConvNext和RepLKNet是这么说的，其实想想也很符合常理）。然后还提出了一个ClipL1 loss，可以同时考虑简单样本和离群样本。依靠LRF理论和ClipL1 loss，作者获得了AIM2020 ISP挑战赛的冠军。（但好像他是在保真度（Fidelity）中的PSNR，SSIM指标最优，但官方在整理时按照感官（Perceptual）的MOS排名，那他就要排到第5了，不过还是很吊的。）
网络结构如下，3层降采，已经连成麻花了，不再讲啦
可以看看clipL1 loss，如名字所示，是对L1 loss的大小值进行clip，限定在[Cmin,Cmax]。
作者使用时候设置Cmin=1/255, Cmax=1
12、CSANet: High Speed Channel Spatial Attention Network for Mobile ISP（CVPRW2021）
论文
传统ISP调整每个处理单元非常复杂，需要图像专家的大量经验和努力。本文提出CSANet兼顾推理速度和PSNR指标。采用时空dual attention。其中空间加权简单的使用了轻量级空洞depth-with卷积取得了好结果（ light-weighted dilated depth-wise convolution）。网络结构如下，没啥特别的
其中DAM如下
loss采用Cb loss + 0.001Perceptual loss + 0.1SSIM loss
13、Learning Digital Camera Pipeline for Extreme Low-Light Imaging（Neurocomputing2021）
论文 被引15
也是解决暗光环境下ISP问题的论文，作者设计网络学习曝光良好图像的所需属性，并将它们反映在在极低环境光环境中捕获的图像中，这样low-light图可以获得明显视觉质量提升。作者说提出了一个新loss可以利用像素和感知指标的特征，但好像还是Perceptual loss。作者在SID上的结果比google的Learn to see in the dark（上一篇有讲）效果好。网络结构是单独的Unet，没啥其他了吧
14、AIM 2020 Challenge on Learned Image Signal Processing Pipeline(ECCV2020 workshop)
论文 被引36
AIM 2020 AI ISP的方法总结，前面很多workshop都是参加的这个比赛，第一名是MW-ISPNet，同样采用了和上面论文10（应该是这个比赛的第二名）相同的小波变换和逆变换。但是做法更简单，没有结合卷积在空域操作。模型如下
15、Del-Net: A Single-Stage Network for Mobile Camera （未发表）
论文
三星的论文，很多地方没有原理讲解。传统ISP对不同亮度条件和噪声等级重建质量有线。现有AI ISP太复杂，乘积累加运算（Multiply Accumulate，MAC）量大。本文提出Del-Net是一个多尺度结构，用空间通道attention学习如颜色等全局特征，一系列轻量残差attention模块用于去噪。与最优网络相比减少了~90%MAC。这个很MAC我很中意，因为我们实际部署确实很重要就是考虑这个，而非参数量。网络结构如下
从网络看主要是通道数设置挺小的，最高才256，其中通道空间attention比较常见，筛选有用特征，丢弃不相关的。但作者没说为什么空间attnetion要把ave和max两种都使用，具体结构如下
浅粉色的Enhanced Attention model一直作用在原尺寸，先生成特征然后对通道进行attention，结构如下
loss有个蛮有意思的地方，采用modified loss+SSIM loss+perceptual loss
其中这个modified loss=L1+ ∥ log(max(gt, 𝜺) ? log(max(pred, 𝜺))∥，其中𝜺=0.001。后面这一项怎么说呢？用来抑制离群点？也没有消融实验对照结果。
16、ISP distillation（未发表）
论文
不是做AI ISP的。观点很奇特，他说很多图像其实不是给人看的，而是给机器，比如机器人。但是有需要用ISP把raw图像处理RGB，这不是闲的蛋疼吗？浪费时间计算单元还丢失信息，为啥不直接在raw域进行相关任务呢？但好像直接在raw训练效果下降很多，这咋办呢？所以作者首先拿到raw和对应经过传统ISP处理的RGB图，将RGB经过预训练的CNN得到输出，然后利用知识蒸馏将raw图送到CNN获得输出，这样raw的结果就比直接在raw图上训练的结果很多了（这意思是还是没rgb的效果好？那你之前的假设不就很鸡肋了？）但是节省了ISP的时间和计算量啊。
有错误敬请指出，欢迎多多评论交流，最好能点赞收藏啊
