3. 噪声模型与仿真：高斯噪声、泊松噪声、异方差噪声的数学建模
做降噪算法，第一件事不是调模型，而是搞清楚——你面对的噪声到底是什么？
我见过不少团队，上来就用高斯噪声训练网络，结果到了真实 sensor 上一测，效果直接崩掉。为什么？因为真实世界的噪声，远比教科书复杂。
这一章，我们就来拆解三种最核心的噪声模型：高斯、泊松、异方差。我会把数学公式讲清楚，也会告诉你，这些模型在工程落地时该怎么用、有什么坑。
3.1 高斯噪声：最基础的假设，也是最常见的陷阱
高斯噪声，也叫正态噪声。它的概率密度函数长这样：
p(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))其中 μ 是均值，σ 是标准差。在图像里，我们通常假设 μ=0，噪声是零均值的。
核心特点：每个像素的噪声独立同分布，方差恒定。
我在项目中遇到过一件事：用高斯噪声训练的模型，在暗光场景下完全失效。为什么？因为暗光下噪声方差会随信号强度变化，高斯模型根本描述不了这个特性。
工程建议：
- 高斯噪声适合模拟 sensor 的读出噪声（read noise）
- 在亮光场景下，高斯近似勉强可用
- 暗光场景下，千万别只用高斯噪声
我的习惯：做仿真时，我会把高斯噪声作为 baseline，但从来不会只依赖它。你想想看，如果真实 sensor 的噪声那么简单，我们就不用花几十页讲降噪了。
3.2 泊松噪声：光子计数的本质
泊松噪声来自光子到达 sensor 的随机性。物理上，光子到达数量服从泊松分布：
P(k) = (λ^k * e^(-λ)) / k!其中 λ 是平均光子数，k 是实际到达的光子数。
在图像里，泊松噪声有个重要特性：方差等于均值。也就是说，信号越强，噪声越大。
| 特性 | 高斯噪声 | 泊松噪声 |
|---|---|---|
| 方差与信号关系 | 独立 | 方差 = 均值 |
| 适用场景 | 读出噪声、热噪声 | 光子散粒噪声 |
| 暗光表现 | 不准确 | 更真实 |
我曾经在一个夜景降噪项目里，直接用高斯噪声训练，结果模型把暗部细节全抹平了。后来换成泊松噪声仿真，效果立刻提升了一个档次。
注意：泊松噪声在低光下会呈现明显的“颗粒感”，这是物理规律，不是 sensor 缺陷。你的模型必须学会处理这种非高斯特性。
3.3 异方差噪声：真实世界的噪声模型
真实 sensor 的噪声，既不是纯高斯，也不是纯泊松。它是两者的混合体，而且方差随信号强度变化——这就是异方差噪声。
一个经典的模型是：
σ_total² = σ_read² + k * I其中 σ_read² 是读出噪声（高斯部分），k * I 是散粒噪声（泊松部分），I 是信号强度。
说白了，暗区噪声主要来自读出噪声，亮区噪声主要来自散粒噪声。这个模型，我几乎在每个量产项目里都用过。
3.4 噪声仿真工程实现
理论讲完了，咱们直接上代码。下面是一个完整的噪声仿真函数，我把它封装成了可以直接用的工具。
import numpy as np
def add_noise(image, read_noise_std=2.0, shot_noise_coeff=0.1):
"""
异方差噪声仿真
image: 输入图像，范围 [0, 255]
read_noise_std: 读出噪声标准差
shot_noise_coeff: 散粒噪声系数
"""
# 归一化到 [0, 1]
img = image.astype(np.float32) / 255.0
# 读出噪声（高斯）
read_noise = np.random.normal(0, read_noise_std/255.0, img.shape)
# 散粒噪声（泊松近似）
shot_noise = np.random.normal(0, np.sqrt(shot_noise_coeff * img), img.shape)
# 总噪声
noisy = img + read_noise + shot_noise
# 裁剪到合法范围
noisy = np.clip(noisy, 0, 1)
return (noisy * 255).astype(np.uint8)避坑指南：我曾经直接用泊松分布采样，结果发现速度太慢。后来改用高斯近似泊松（当 λ > 20 时），速度快了 10 倍，精度损失可以忽略。
3.5 噪声模型选择策略
不同场景下，我推荐不同的噪声模型组合：
- 亮光场景（ISO < 400）：高斯噪声就够了，简单高效
- 中等光照（ISO 400-1600）：高斯 + 泊松混合，注意调整比例
- 暗光场景（ISO > 1600）：必须用异方差模型，还要考虑固定模式噪声
你可能会问：为什么不直接用真实 sensor 数据？当然可以，但仿真噪声的好处是——你可以精确控制噪声的统计特性，方便 ablation study 和模型调试。
3.6 本章知识结构
下面这张图，把三种噪声模型的关系和工程落地路径画清楚了。
嗯，这张图把核心逻辑都串起来了。从三种噪声模型出发，到工程落地的仿真实现，再到最终的模型训练和部署。每一步都有对应的数学基础和工程技巧。
我个人习惯，在做新项目时，会先花一周时间标定 sensor 的噪声参数，然后建立准确的仿真 pipeline。这一步做好了，后面的降噪模型训练会事半功倍。