LGCNet 解读：从像素一致性到梯度一致性

问题

闪光灯引导的非闪光图像去噪：利用成对闪光/非闪光图像实现跨模态引导去噪。

现有方法的局限：

• 像素级建模一致性 → 边缘模糊、伪影
• 闪光/非闪光图像间存在阴影、反射、亮度差异，像素差 $\varepsilon_p$ 不服从高斯分布

关键发现

在 1800+ 对图像上实验发现：

像素差 $\varepsilon_p$ 在不同图像间变化显著，而梯度差 $\varepsilon_g$ 分布规律，与拉普拉斯分布曲线高度吻合。

这意味着在梯度域建模跨模态一致性，远优于像素域。

方法：LGC 模型

将带噪非闪光图像 $x$、干净闪光图像 $y$、目标干净非闪光图像 $z$ 的关系建模为：

$s(z) = s(y) + \varepsilon_g + \varepsilon_n$

其中 $s$ 为梯度算子，$\varepsilon_g$ 服从拉普拉斯分布，$\varepsilon_n$ 为噪声。

转化为优化问题后，使用 ADMM（交替方向乘子法） 求解：

• 引入辅助变量 $m$（将去噪惩罚 $g(\cdot)$ 与模态约束解耦）
• 引入辅助变量 $a$（将 $\|sz - sy\|_1$ 约束解耦）

LGCNet：ADMM 展开网络

将 LGC 模型的 ADMM 迭代求解过程展开为可训练网络：

每个组件都有明确的数学意义，对应 LGC 求解的特定步骤，赋予网络可解释性。

实验结果

定量

在 FAID、MID、DPD 三个数据集上，$\sigma = 25, 50, 75$ 噪声水平下，LGCNet 在所有配置上取得了 最佳 PSNR 和 SSIM。

对比方法包括：BM3D、WNNM、DnCNN、FFDNet、CU-Net、MN、RIDFnF。

定性

相比其他方法，LGCNet 保留了更多的文本、颜色和纹理细节。

中间特征可视化

随着迭代次数增加，梯度模态差 $a = sz - sy$ 逐渐逼近真实梯度差 $\varepsilon_g$，验证了方法有效性。

消融实验

分析了三个关键设计选择：

1. GDM 模块数量：更多迭代 → 更好性能，但收益递减
2. 拉普拉斯算子：梯度算子选择对结果有影响
3. 损失函数：验证当前损失设计的合理性

总结

LGCNet 的核心贡献是将「跨模态一致性」从 像素层 提升到 梯度统计层：

1. 发现梯度差服从拉普拉斯分布
2. 建立拉普拉斯梯度一致性（LGC）模型
3. ADMM 展开为可解释网络 LGCNet

未来方向：探索未配对/未对齐图像间的一致性，以及跨帧跨模态的引导视频去噪。