Oct, 2019

用于稳健曝光校正的双重照明估计

PDF
TL;DR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。
exposure correctionimage processingcomputational photographyillumination estimationmulti-exposure image fusion
发现论文，激发创造
  • 双曝光高动态范围成像中的照明估计优化

    本研究探索了利用不同曝光时间捕获的图片帧中的信息，引入了从双曝光图像提取的简单特征（DEF）来指导光照估计器，在光照估计方面表现出了显著的效果。

    Mar, 2024

  • 一种仿生多曝光融合低光图像增强框架

    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

  • 多尺度照片曝光校正学习

    该研究提出了一种基于深度神经网络模型的曝光校正方法，通过提供一个新数据集解决了曝光错误的问题。

    Mar, 2020

  • 基于场景分割的多曝光图像融合亮度调整

    本文提出了一种新颖的多曝光图像融合的亮度调整方法，该方法基于亮度分布提出了两种新颖的场景分割方法。实验结果表明，该方法可以在给定不理想输入时生成高质量的图像，并且在多个评测指标上优于其他最先进的方法。

    Mar, 2019

  • 学习动态场景中的曝光校正

    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

  • 基于单应矩阵估计和注意力学习的深度曝光融合去重影技术

    本文提出使用深度神经网络结合单一曝光下多图像曝光融合技术来解决现代相机的动态范围限制问题，并在手机摄影实验中获得了高质量的图像。

    Apr, 2020

  • 多曝光图像堆栈中曝光比率的鲁棒估计

    将多曝光图像堆叠合并为高动态范围（HDR）图像需要准确的曝光时间，为了解决从相机的 EXIF 元数据提取的曝光时间不准确导致的条纹伪影问题，我们提出直接从输入图像中估计曝光比率的方法，并通过线性求解器高效地解决了该问题，同时该方法还可以在多个空间块中收集像素以消除由相机或物体运动引起的像素错位问题，该自动曝光估计与对齐方法消除了流行数据集中的条纹伪影，对于需要物理上准确重建的应用非常关键，如测量显示器的调制传递函数。该方法的代码可用。

    Aug, 2023

  • 提高图像质量的曝光校正模型

    提出了一种端到端的曝光校正模型，采用感知损失，特征匹配损失和多尺度辨别器来提高生成图像的质量并使训练更加稳定，实验结果表明其有效性。在大规模曝光数据集上，取得了最新的最优结果，并研究了图像曝光设置对画像抠图任务的影响，发现曝光过度和曝光不足的图像导致画像抠图质量严重降低，采用所提出的模型进行曝光校正后，画像抠图质量显著提高。

    Apr, 2022

  • 图像增强的色彩偏移估计与校正

    我们提出了一种新颖的方法来增强在次优照明条件下捕获的图像，通过学习估计和校正颜色偏移，针对过曝和欠曝区域进行独立的颜色偏移纠正和调节，实现对图像色调的恢复。

    May, 2024

  • 单图像去阴影自动曝光融合

    本文提出了使用曝光融合方法进行阴影去除的新解决方案，其中包括将输入图像的多个过度曝光图像的阴影区域与其无阴影区域的颜色相同，使用阴影感知的 FusionNet 生成融合权重图，并使用边界感知的 RefineNet 去除剩余的阴影痕迹。实验表明我们的方法在阴影区域性能更佳，在非阴影区域表现与现有最先进方法相当。

    Mar, 2021