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
本文研究了 CMOS 图像传感器成像管线中的噪声统计,并制定了一种全面的噪声模型,以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据,并在多个低光照度去噪数据集上进行的实验表明,使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。
Aug, 2021
提出了一种无需校准的基于校准的方法,适用于任何数字增益或相机传感器;通过在少量数据和微调期间适应目标相机,减少了合成和实际噪声之间的差距,并在性能上优于其他校准性方法。
Aug, 2023
该研究提出了一种基于 CNN 的图像重建算法,通过采用域知识来对低动态范围图像制造管道进行建模,并将重建问题分解为特定的子任务,最终的模型相比现有的单一图像 HDR 重建算法表现更好。
Apr, 2020
提出一种基于 CMOS 光电传感器特性的高精度噪声形成模型,并基于此模型提出了一种用于校准现有数码相机噪声参数的简单复制方法。此模型使神经网络具备了使用丰富真实数据进行训练的能力,并应用于覆盖多个品牌数码相机的新低光噪声数据集中,获得了显著的降噪效果。
Mar, 2020
该论文引入了一种新颖的轻量级计算框架,利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展,我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度,避免了过度增强和不自然的颜色偏移。关键是,我们的模型被设计成轻量级,确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实,我们的模型不仅在增强低光图像方面超过了现有方法,而且保持了最小的计算占用。
May, 2024
在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知,它将颜色空间转换明确地融入到独立于设备的颜色空间中,以提高对未见的相机传感器的泛化性,同时与任何物体检测器配对。
May, 2022
本研究探索了一种数据驱动的方法,通过训练一个深度卷积神经网络模型以预测性地调整相机增益和曝光时间参数,从而实现在光照变化下得到最佳图像质量,以用于视觉测距和视觉同时定位和映射。研究通过实验验证了该方法的优越性。
Feb, 2021
在低光环境下,提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境,该方法可以在监视、监测和战术侦察等领域有很好的应用效果。
Nov, 2015
利用扩散模型进行原始图像到处理图像的生成 ISP,以解决低光条件下成像的挑战。
Dec, 2023