这篇文章做了啥
根据ccd或者cmos图像传感器获得的图像，要经过一系列的复杂的处理才能得到最终的图像，而且不同的cmos有不同的算法，作者这里的motivation是能不能有一个比较统一的框架来处理原始图像，而不是经过一系列复杂的ISP操作？
这个研究和我上一篇博客讲的很类似，(learning to see in the dark)[https://www.cnblogs.com/yongjieShi/p/12372729.html]，只不过learning to see in the dark（LSD）这篇文章聚焦的部分不仅仅是通过，对原始的传感器得到的数据进行处理，更聚焦在时如何处理极低光图像，极低光图像的处理不仅仅是调整图像亮度这么简单，包含了去噪等step，作者在LSD这篇文章中重点突出了，如何处理极低光，网络没有创新性，很大的contribution来自于一个数据集合的建立。和LSD不一样，这篇文章也是对原始数据进行处理，而且对网络的创新性在一定程度上进行创新，这个我们后面再说
contributions
提出了第一个raw-to-rgb image的网络
一个新的PyNET CNN被提出，用于结合heavy global以及low-level fine grained信息
建立了一个10k的RAW–RGB image pairs数据集合，数据及在wild采集，用的两个设备，一个是华为p20，一个是cannon 5D Mark
做了大量的实验，来评估重建的图像的质量，同时，也和华为p20自己内部的isp处理结果进行了比较
数据集合建立
作者用了两台设备，一个是华为p20，另外一个是Canon，cannon拍摄的图片作为gt，就是图像经过isp处理之后的结果，因为单反拍摄的质量比较高，所以用单反拍摄的图片作为约束是合理的，同时在拍摄图片的时候，华为内部有自己内嵌的isp处理得到的结果，所以作者也把这个数据采集了下来，并且进行比较。华为p20的传感器用的是sony的拜耳传感器，同时作者还说华为有另外一个镜头，但是不能通过现有的api来获取其api，所以只能用sony的那个原始数据。
拍摄的过程是在一个空间点，朝向一致就行，比如放一台华为p20，采集两张，一个是raw的bayer数据，一个是built-in的isp处理得到的结果；同时把佳能放在这里，
因为是图像的处理，所以逐pixel对应是非常有必要的，作者在这里也说了需要用特征点匹配算法来进行图像匹配，作者展示了一组图片（如下图），仔细看的话确实是没有对齐的，后面还会详细讲，我觉得这个问题挺严重的，
上面的图片红色方框里面仔细看是不一样的
我觉得作者忽略了一个重要的问题，就是camera的focal length不一样，这种差距尤其在结构场景中体现更加明显，我想这就是为什么作者在wild采集图像，而不是结构场景中，相对于这个数据集合，SID dataset更加合理一些，SID dataset作者用的是两台不同的设备，但是cmos短曝光和长曝光是一对，一个是拿到原始的bayer或者x-trans数据，另外一个长曝光的是built-in isp处理得到的结果，maybe，（作者文中只说用了libraw库进行了处理，不确定原始的是不是isp-built in处理的结果）
网络结构
RAW to RGB 的mapping是一个涉及到global以及local图像modification的问题。这种直观的motivation是和isp处理的pipline有关系，比如，global modifications经常用来改变图像的内容，和一些higl-level的特性，比如亮度，白平衡，和色彩渲染；而low-level处理经常用于一些这种任务，比如纹理增强，锐化，噪声去除，去模糊等。而且更加重要的是，global和local信息应该进行交互，互相影响。比如，内容理解对于texture 处理或者local color correction是至关重要的。很很多deeplearning模型只focus其中一个step。比如vgg，resnet或者denesnet这种，不能很大的改变图像，而依赖于unet或者pixel的结构不具备改变局部区域的能力。为了解决这个问题，作者提出了他们的网络，如下图，叫PyNET，processing 图像在different scale以及把他们结合在一起。
如上图，有五个不同的level，可以学习到不同的level的信息，lower scales的到的信息被上采样，然后和高层次的特征concate到一起，然由higier scales后继续处理，主要的就是这个，这就是结合了local以及global的信息。loss损失函数不同的level用不同的损失函数以及比例也不一样，level4-5的话，主要集中地global的信息上，比如亮度和gamma correction所以用了mse loss。level2-3主要用来refine 不同object的color和shape properties，用perceptual loss和mse loss
level1的话加了一个ssim loss，主要用来做local的调整，比如noise去除，特征增强，局部颜色处理
这个网络结构和zongwei zhou提出的unet++类似，都是倒三角形，unet++稍微复杂一些，先挖个坑
实验结果
实验主要围绕三个问题，作者提出的这个结果和经典的一些网络结构相比，结果怎么样？
第二个是，和华为的built-in的isp相比结果怎么样，
以及这种算法能不能apply到其他的设备上
作者首先和华为的built-in的isp处理结果比较了一下，如下图
仔细观察一下第二行图片，实际上房屋的大小并不是一样的，这种差异是由于焦距不同导致的
作者说他们的结果在local和global上面没有什么缺陷，唯独有一些光晕，和华为的isp比起来的话，作者的方法有更高的亮度，更自然的局部纹理，并且锐化程度并不是特别高。作者说这个可能和P20的另外一个相机有关系，作者说，我们的算法和华为的p20的built-in isp得到的结果是comparable的
作者和主流网络的定量比较结果如下
作者的方法在常见的网络结构式上达到了sota的结果
定性比较结果如下
针对这个结果，作者做了一些分析，VGG-19和SRCNN没有足够的能力来重建颜色，STGAN和UNET太暗了，有一些比较单调的颜色，pixel2pixel在精确颜色渲染上面有很大的问题，由于扭曲的色调使得看起来不真实。DPEDmodel得到的结果比较好，但是有一些yellowish的阴影，缺少生机。SPADE不能够处理任意size的input data，所以没有比较。
之后作者做了一个AMT test,
结果比p20还要好
之后又用BlackBerry KeyOne smartphone来看一下泛华能力，如下图
作者说，恢复了很多ISP处理之后不存在的阴影，我并没有看出来...相对于原图确实很赞
上图是一个细节图，作者说，结果不是特别好，但是相对于没有在这种型号的传感器进行训练的话，直接迁移得到的结果已经很好
后续
感觉对于raw的数据处理是一个大坑，我感觉可以踩一踩，实际上作者的这种local和global信息的获取不是那么的elegant