多媒体顶级会议ACM Multimedia于2022年10月10至14日在线上举行，该会议是中国计算机学会（CCF）推荐的A类国际学术会议，是国际多媒体领域学术和产业界交流的顶级盛会，具有广泛而深远的国际影响力。本届ACM MM会议投稿量2473篇，录用文章690篇，录用率为27.9%。实验室冯汉森博士（导师王立志副教授）的论文“Learnability Enhancement for Low-light Raw Denoising: Where Paired Real Data Meets Noise Modeling”被录用为Oral，并被授予“Best Paper Runner-Up Award”。

低光原始图像去噪是计算摄影中一项重要且有价值的任务，其中使用配对真实数据进行训练的学习类去噪方法是主流。然而，有限的数据量和复杂的噪声分布使得配对真实数据存在可学习性瓶颈，这限制了学习类去噪方法的性能。为了解决这个问题，本文利用噪声建模来重构配对真实数据，提出了一种可学习性增强策略。本文的策略包含两种高效的技术：散粒噪声增强 (SNA) 和暗阴影校正 (DSC)。首先，本文发现散粒噪声可以被准确建模为具有可加性的泊松分布，因而使用SNA来增加配对数据量，让数据映射可以被更精准地学习到。其次，本文发现对读噪声复杂度影响很大的暗阴影可以被稳定地分离，因而使用DSC来降低噪声复杂度，让数据映射可以被更准确地学习到。在公共数据集和真实成像场景上广泛实验表明，本文所提出的可学习性增强策略可以显著提升学习类去噪方法的性能。