ICCVAug, 2019

Deep Camera: 用于图像信号处理的全卷积神经网络

PDF
TL;DR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。
convolutional neural networkdefect pixel correctionsignal processingraw bayer imagesimage quality
发现论文，激发创造
  • 用于有效联合去马赛克 - 去噪的残差学习

    本文提出了一种优于当前最先进方法的图像去马赛克和降噪算法，该算法将传统的 CFA 处理流程中的处理顺序颠倒，首先进行图像去马赛克，然后进行降噪，避免了传统方法中的众多问题。算法利用卷积神经网络进行实现并具有处理高噪声的能力。

    Sep, 2020

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    Mar, 2018

  • CameraNet：一种有效的相机 ISP 学习的两阶段框架

    提出了一种名为 CameraNet 的新型框架，采用两个 CNN 模块来处理图像恢复和图像增强两个相对独立的子任务，CamaraNet 通过两个模块逐步处理恢复和增强子任务，从而取得了比传统 ISP 管线更好的重建质量。

    Aug, 2019

  • 学习深度卷积网络进行去马赛克

    本文提出了利用卷积神经网络（CNN）解决去马赛克问题的全面研究，包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效，可用于任何 CFA 设计的去马赛克，并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。

    Feb, 2018

  • 使用深度卷积神经网络在移动设备上拍摄 DSLR 质量的照片

    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。

    Apr, 2017

  • 放弃 Bayer 滤镜，看见黑暗

    本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器，以生成单色原始图像，同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明，通过利用原始传感器数据和数据驱动的学习，可以显著提高图像质量。

    Mar, 2022

  • CycleISP：通过改进数据合成进行真实图像恢复

    本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

    Mar, 2020

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018

  • 使用循环完全卷积网络进行端到端暗爆图像去噪

    本文提出了一种基于递归全卷积网络（RFCN）的方法，处理在极低光条件下拍摄的连拍照片，通过端到端处理实现降噪、色彩校正和增强，取得了优于现有方法的效果。

    Apr, 2019

  • 基于卷积神经网络的相机模型识别的初步探索

    本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在 64x64 的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

    Mar, 2016