May, 2018

使用新版独家暗黑数据集熟悉低光照图像

PDF
TL;DR本文提供了一个独特的 low-light 图像数据集 Exclusively Dark dataset 及其注释，并分析了低光照度对物体检测任务的影响，发现其影响深入特征中，不能仅靠 “光照不变性” 解决。作者希望这个数据集及分析能够鼓励不同领域的低光照度研究的发展。
发现论文，激发创造
  • 在极低光照条件下，通过夜间物体检测数据集更仔细地研究检测

    本文针对低光环境下目标检测存在的困难，提出了一个高质量大规模的夜间目标检测数据集及其数据集子集的实例级注释，分析了低光条件对于机器认知的困难，并提出了一个用于优化机器认知的图像增强模块以及两种新颖的数据增强技术，实验结果证实该方法在低光数据集上能够持续提升检测性能。

    Oct, 2021

  • BVI-Lowlight: 低光视频增强的完全注册基准数据集

    通过引入一个新颖的低光视频数据集，本文对低光视频进行增强的方法进行了深入分析和全面评估，并展示了全注册视频配对在发展低光视频增强方法中的重要性和对综合评估的需求。

    Feb, 2024

  • 利用零样本日夜领域自适应提升物体检测

    通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

    Dec, 2023

  • 暗光下的多目标追踪

    本文介绍了一个低光场景下的多目标跟踪方法和相应的数据集 LMOT，证实了该方法在实际夜间低光场景中的竞争力。

    May, 2024

  • 暗光环境下的图像识别

    推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

    May, 2018

  • 黑暗中的文本：极低光照文本图像增强

    提出了一种新的编码器 - 解码器框架，使用边缘感知的注意力模块来增强极低光条件下的文本图像，通过使用文本检测和边缘重建损失强调低层次的文本特征，实现了成功的文本提取和极低光图像增强。

    Apr, 2024

  • 低光图像鲜明物体检测中的图像增强探索

    本文提出了一种基于物理光照模型的图像增强方法，以便在低光照图像中便于显着物体检测，并使用 Non-Local-Block 层来捕捉物体与其邻域的差异，最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。

    Jul, 2020

  • 野外多光源图像数据集

    本研究介绍了一个包含超过 1000 个真实场景的多光照数据集，每个场景都在 25 种不同的光照条件下进行了捕获。作者使用此数据集训练了针对三个应用的最新模型：单张图像光照估计、图像重新照明和混合光源白平衡。

    Oct, 2019

  • 黑暗中的图像匹配：低光场景图像匹配数据集

    本文研究如何利用更高精度的 RAW 格式图像匹配极低光场景的图像，并通过实验评估了图像增强和匹配方法的效果。

    Sep, 2021

  • 低光环境下目标跟踪的综合研究

    在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

    Dec, 2023