人脸降噪中的深度学习算法学问

    降噪算法，最大的问题是降噪后的图像容易不实，显得模糊。而且一个降噪算法难以处理多种类型的噪点（彩噪、亮噪等）。

    在监控领域，降噪算法的劣势体现在人脸的五官等细节不实，涂抹比较严重。尤其在低照度场景下，这种问题会被放大。

    传统算法搞来搞去，根据像素点的值和空间距离设置各种规则进行滤波，都难以克服上述的缺点。

    只有深度学习技术可以克服上述缺点。

    当前各种计算机视觉顶会论文主要聚焦于基础理论和学问创新点，深度学习在人脸（jpg）降噪后处理的实际应用上几乎没有工业价值。其原因在于低照度人脸降噪是一个复杂的问题，不是简单的降噪问题，可以细分为多种任务的图像质量提升问题。这种情况下，你不知道该用什么数据训练（不是有噪点图和无噪点图那么简单）。

    我在这个问题上研究了大半年的时间，在一个独特的角度，终于从数据和模型上取得了突破（算法稳定），使得处理后的人脸干净锐利。(从左到右依次为我的结果、一般顶会论文结果、原图）。

     我暂时不会公开方法，这里面的沉没成本够喝一壶了。

    有人说艾弗森的第一步你不知道他往哪边突破，所以你防不住。

    有人说麦迪的第一步你知道他往哪边突破，但是你跟不上所以也防不住。