2020 CVPR，实现在raw和rgb域上的相互转换，并在raw和rgb域上进行噪声合成，在最后使用去噪网络在合成数据上进行训练去噪。和unporcessing denoise那篇论文相比，这里不需要获得相机设备的先验知识（虽然是借助FiveK的raw实现的，感觉很奇怪）。这篇论文整体是沿着CVPR 2019 raw SR那篇论文继续做的，出发点是在RAW域上对噪声建模比sRGB域上要简单，通过cycleISP合成更多的比较真实的仿真数据，实现性能提升，质量还是比较高的。整体框架如下所示:
第一步是实现RGB2RAW和RAW2RGB的数据合成。对于RGB2RAW，如上图上路所示，先通过一系列网络实现ISP的大部分操作，然后加马赛克，最后加上Bayer转换成RAW。该部分loss如下所示:
对于RAW2RGB这个分支，这里将RAW pack成RGGB形式，减少分辨率，从而减少计算量，最后用pixel shuffle进行上采样。和CVPR 2019 RAW SR那篇论文一样，这里也使用了color correct引导的方式使得RAW2RGB这个过程可以泛化到任何相机上。该部分操作在上图有所示，RGB引导之前先进行模糊处理去掉一些噪声。RAW2RGB分支使用L1 loss进行训练。
上面两个分支首先是分别进行训练的，网络里使用了RRG模块包括channel和spatial attention，如下所示:
最后对两部分进行联合训练，其中RGB2RAW分支可以接受到来自RAW2RGB分支loss的梯度，更加有利于最终sRGB图像的重建。
产生噪声时，生成RAW部分的带噪数据，直接在最后的RAW上加入shot and read噪声即可。对于sRGB部分生成带噪图像，这里使用SIDD数据集finetune CycleISP，这里噪声通过真实带噪RAW减去真实干净的RAW产生，加在合成的RAW上，该部分如下图所示:
最后的去噪网络，这里如下所示，对于RGB没有特殊操作，对于RAW去噪，这里输入是带噪RAW图和其noisy map,noisy map通过RAW里的shot and read噪声获得。
最后部分结果如下所示:
