利用感知双向相似性增强曝光不足的照片
本文介绍了一种基于 Retinex 理论的视频曝光校正方法,通过构建配对的视频数据集,并利用多流照明学习机制对过曝和欠曝进行增强来提高视频的质量,实验结果表明,该方法在图像曝光校正和欠曝视频增强方面优于现有方法。
Feb, 2024
本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法,既抑制了图像噪声的干扰,又大大提高了计算效率。同时,提出了一种基于相机成像模型的图像合成策略,有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。
Nov, 2019
本文提出了一种智能非监督个性化增强器(iUPEnhancer)用于低光图像处理,该增强器根据亮度、色度和噪声三个用户友好的特征来建立低光与未配对参考图像之间的关系,并利用相应的非监督损失函数进行训练,在增强过程中展示上述特征及过程,实验证明该算法在保持灵活性和可扩展性的同时,产生了有竞争力的定量和定性结果。
Jul, 2022
通过对数字成像中的 Retinex 理论进行理论和实验分析,本文提出了一种名为数字成像 Retinex 理论(DI-Retinex)的新表达式,该表达式包括增强模型中的偏移项,允许使用非线性映射函数进行像素级亮度对比度调整,并通过 Gamma 空间提出了一种图像自适应掩蔽逆恢复损失来解决低光增强问题,同时设计了一种方差抑制损失来调节附加偏移项,实验结果表明我们的方法在视觉质量、模型大小和速度等方面优于所有现有的无监督方法,还可以在低光条件下辅助人脸检测器,与其他方法相比,在低光增强后面部检测的性能增益最显著。
Apr, 2024
本文提出了一种新方法来增强暗光雾霭场景的可见性,通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成,实验证明该方法在各项指标上的效果优于现有方法,并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。
Aug, 2023
该论文设计了一种基于多曝光融合的低光图像增强框架,使用光照估计和相机响应模型来综合多副本图像,并通过融合算法实现了对比度和明度的准确提升。实验表明,该方法较其他现有方法更少引入对比度和亮度失真。
Nov, 2017
本文提出了一种快速预处理方法 Bidirectional Luminance Remapping(BLR),能够互动地调整训练和输入照片的照明,使其能够直接融入最先进的基于示例的方法中,从而提高它们的鲁棒性,而忽略计算的成本。
Aug, 2017
本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法,利用合成的低光模拟数据构建数据集,通过使用两个注意力图指导亮度增强和降噪任务,并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强,该方法在多个数据集上表现优异,比当前最先进的方法有更好的定量和视觉效果。
Aug, 2019
本文提出了一种新颖的自动曝光校正方法,核心在于双重照明估计,将欠曝光和过曝光校正分别作为输入图像和反转输入图像的明显估计。通过执行双照明估计,为输入图像获得两个中间曝光校正结果,并采用多重曝光图像融合技术自适应地混合两个中间曝光校正图像和输入图像的视觉最佳暴露部分形成全局性能好的图像。实验表明,该方法在各种具有挑战性的图像上比现有方法和流行的自动曝光校正工具更为有效。
Oct, 2019