Apr, 2017

使用深度卷积神经网络在移动设备上拍摄 DSLR 质量的照片

PDF
TL;DR本文提出了一种利用深度学习技术将手机拍摄照片转化为数码单反相机的图像质量。通过残差卷积神经网络提高了照片的颜色还原和图像锐度，使用一个复合知觉误差函数来度量图像质量，其中包括内容，颜色和纹理损失，并通过 DPED 数据集进行了定量和定性性评估，结果表明增强的图像质量可与数码单反照片相媲美，这种方法适用于任何类型的数码相机。
smartphone cameradslr-quality imagesdeep learningperceptual image qualitydped
发现论文，激发创造
  • 移动设备上实用的深度原始图像去噪

    提出了一种适用于移动设备的轻量级高效的神经网络原始图像去噪器，可通过测量估计传感器噪声水平并使用新颖的 k-Sigma Transform 来克服各种噪声水平，从而以～70 毫秒 / 百万像素的速度运行，非常适合夜拍模式。

    Oct, 2020

  • Deep Camera: 用于图像信号处理的全卷积神经网络

    使用全卷积神经网络对摄像机拍摄的原始 Bayer 图像进行缺陷像素纠正、去噪、白平衡、曝光校正、解模糊、颜色转换和伽马编码的端到端处理，此神经网络是第一个进行完整图像信号处理流程处理的。通过实验，结果表明该系统的性能优于一般传统的处理流程。

    Aug, 2019

  • PIRM 挑战赛：智能手机上的感知图像增强报告

    本文回顾了旨在在智能手机上部署深度学习模型以实现高效视觉图像增强的首次挑战赛，其中包括经典的图像超分辨率问题和实际中的照片增强问题等。经过实验证明，所提出的解决方案显著改善了现有基线结果，定义了智能手机图像增强领域的最新技术水平。

    Oct, 2018

  • 理解图像质量如何影响深度神经网络

    本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。

    Apr, 2016

  • 极低光下图像采集的数码相机管线学习

    通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

    Apr, 2019

  • 通过逼真地建模双像素数据来学习减少焦外模糊

    该研究提出一种通过合成数据生成具有现实意义的双像素数据，用于提升基于双像素数据捕获的单幅或多幅相机图像去模糊的结果，在视频去模糊的应用中具有广泛前景。

    Dec, 2020

  • 深度单张图像相机标定的感知度量

    本论文提出使用一个深度卷积神经网络直接推断相机标定参数，其优于各种其他方法，包括最近的基于深度学习的方法，并通过人类感知研究展示其实用性。

    Dec, 2017

  • 用单个深度学习模型取代移动摄像头 ISP

    研究表明，使用 PyNET 可以使用单个端到端深度学习模型取代复杂的手工设计相机 ISP 解决方案，实现精细图像恢复，并将移动相机传感器直接获得的 RAW Bayer 数据转换为使用专业高端 DSLR 相机采集的相片，无需了解特定的移动 ISP 实现。

    Feb, 2020

  • 使用深度学习进行盲图像质量评估

    这篇研究使用深度学习技术进行失真通用的盲目图像质量评估，通过将子区域的评分进行平均池化，使用分类基础图像质量评估的 CNN 微调提取的特征，使用 SVR 机器计算每个子区域的评分，进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法，并且在很多情况下，比普通的人类观察者的评分更加接近平均观察者的评分。

    Feb, 2016

  • 移动设备上的量化卷积神经网络

    该研究提出了一种名为量化卷积神经网络的模型，旨在通过量化卷积层中的滤波器核和全连接层中的权重矩阵，实现计算效率的提升和存储内存开销的降低，相对于非量化模型，该模型在 ILSVRC-12 基准测试中达到 4~6 倍的加速和 15~20 倍的压缩，仅有 1% 左右的分类准确率损失，并且甚至可以在移动设备上在一秒内精准分类照片。

    Dec, 2015