尽管成像技术取得了进步，但图像噪声和有限的清晰度仍然是提高图像视觉质量的最关键因素。噪声可能与光的粒子性质有关，或者在读出过程中可能引入电子元件。然后，摄影编辑过程将通过相机图像处理器 (ISP) 处理捕获的噪声信号，并对其进行增强、放大和失真。图像模糊可能是由多种现象引起的，包括拍摄过程中无意的相机抖动、相机对焦不正确或最终镜头光圈导致的传感器分辨率。

由于可以理解传感器、光学硬件和软件块的详细信息，因此在相机管道中将噪声和模糊的影响降至最低要容易得多。然而，当给定来自随机和未知相机的图像时，我们缺乏对相机内部参数的理解，改善噪声和锐度变得更具挑战性。

大多数时候，这两个问题是密不可分的。例如，降噪倾向于去除精细结构和不需要的细节，而模糊降低旨在增强结构和精细细节。这种互连性使计算效率足以在移动设备上运行的图像增强技术的开发变得复杂。

谷歌的一项新研究引入了一种与相机无关的估计方法，可消除图像中的噪声和模糊。他们将他们的拉推降噪算法与polyblur的去模糊方法配对，以最大限度地提高计算效率。这些组件使用户能够在几毫秒内成功提高移动设备上数百万像素图像的质量。

为了精确处理摄影图像并最大限度地减少噪声和模糊的不良影响，必须识别图像中噪声和模糊的类型和级别。独立于相机的降噪方法的第一步是设计一种机制，用于确定任何给定图像中像素级别的噪声程度，而与制作它的设备无关。噪声水平被定义为底层像素亮度的函数。

该团队对图像中的许多小块进行采样，以估计基于亮度的噪声水平。去除任何底层结构后，他们测量了每个补丁内的噪声水平。因为这个过程在多个尺度上重复，所以它可以抵抗由图像调整大小、压缩或其他非线性相机处理操作引起的伪影。

对图像进行非局部去噪背后的基本思想是，可以通过对具有相似局部结构的像素进行平均来对噪声像素进行去噪。然而，这些方法需要对具有相似局部结构的像素进行强力搜索。这会导致高计算成本，因为它们不适合在设备上使用。

通过跨空间尺度的有效信息传播，由于跨空间尺度的有效信息传播，算法复杂性与滤波器足迹的大小分离。

推拉法：有选择地降低噪音

在 pull-push 方法中，初始步骤是创建一个多尺度图像表示，其中“拉”过滤器递归地生成每个连续级别（类似于下采样）。该过滤器使用逐像素权重机制，根据补丁相似性和预测噪声混合现有的噪声像素，降低每个连续“较粗”级别的噪声。

仅来自更高分辨率、“更精细”级别的合适像素被来自更粗级别（即，更低分辨率）的像素拉取和聚合。每个合并的像素都有一个近似的依赖性度量，该度量是从用于在较粗的层中创建它的相似性权重生成的。因此，组合像素提供简单的每像素表征、每级图片表征和局部统计。

然后“推送阶段”合并来自最粗级的结果并迭代生成更精细的级别。在任何给定的尺度上，“过滤”像素都是从粗到细生成的。在每一级，像素与较粗级的像素使用相应的可靠性权重融合，考虑同级像素的加权平均值，减少像素噪声，并保持局部结构。

该算法具有线性复杂度（与图像数量有关），可以选择性地过滤大量邻域上的相似像素。因此，与传统的非本地方法相比，拉-推方法具有较低的计算成本。

Polyblur：去模糊方法

需要一种比现有方法计算效率更高的方法来以最小的用户延迟计算和消除模糊。在清晰图像中的任何一点，所有方向的图像梯度最大值都遵循特定的分布。据该团队称，确定最大梯度值是有效的。它可以在给定方向上生成模糊强度的可靠估计，并可以立即恢复定义模糊的参数。

该团队描述了需要解决数值不稳定的逆问题（即去模糊）以在给定估计模糊的情况下恢复清晰的图像。随着模糊强度的增加，反演问题变得更加不稳定。因此，他们假设图像轻微模糊，但不会超出实际修复范围。

换句话说，这种方法通过使用估计的模糊内核多次重新模糊图像来去模糊图像。每个（估计的）模糊应用对应于一阶多项式，重复应用（加法或减法）对应于高阶多项式项。这种方法被称为“polybur”，因为它非常快。因此，它只需要一些模糊应用程序，只需几分之一秒即可在移动设备上处理百万像素图像。

新的调整通过两个名为“降噪”和“锐化”的新调整滑块集成到 Google 照片图像编辑器中。用户现在可以使用它们来提高使用任何捕获设备捕获的日常图像的质量。