ICCVNov, 2019

W-Net: 用于原始到 RGB 映射的两阶段 U-Net 及误对齐数据

PDF
TL;DR本文提出了一种基于两阶段 U-Net 结构和不变性更小颜色差异更敏感的损失函数的图像处理方法，在 Zurich Raw-to-RGB 数据集合上进行了实验，并且证明使用多种不同的损失函数进行集成学习能够带来显著的性能提高。实验结果表明，所提出的方法在 peak signal-to-noise ratio 和 structural similarity 方面表现最佳，并在 mean-opinion-score 方面获得了第二高的分数。
bayerconvolutional neural networkszurich raw-to-rgb datasetu-net architectureensemble learning
发现论文，激发创造
  • 使用不准确对齐的监督学习 RAW-to-sRGB 映射

    本文提出了一种联合学习模型用于图像对准和 RAW-to-sRGB mapping，其中使用全局色彩映射模块生成初始的 sRGB 图像，以减轻颜色一致性的影响。结果表明，我们的方法在 ZRR 和 SR-RAW 数据集上表现得比先进技术有利。

    Aug, 2021

  • 训练用于修复任务的神经网络的 RAW 和 HDR 图像

    通过对三个常见的图像恢复应用进行测试，我们发现，训练神经网络时，将 HDR 和 RAW 图像呈现在显示编码的颜色空间中比线性颜色空间更能提供更好的感知均匀性，这种训练策略的微小改变可以显著提高性能，高达 10-15 dB。

    Dec, 2023

  • 高动态范围图像重建的双阶段深度网络

    本研究提出了一种新的两阶段深度网络，旨在通过第一阶段的图像增强任务和第二阶段基于数据样本的色调映射和位扩展，将单次曝光的低动态范围图像映射成高动态范围图像，无需了解相机响应函数（CRF）和曝光设置等硬件信息。实验结果表明，该方法可以在质量和数量上超过现有的低动态范围到高动态范围的工作，并且在真实世界低动态范围图像评估中也能够重建出逼真的 HDR 图像。

    Apr, 2021

  • 自适应展开全变差网络用于低光图像增强

    该研究提出了一种基于自适应展开全变分网络的噪声估计方法，可以有效增强真实低光景象下的图像，并在实验中展示了其优越性。

    Oct, 2021

  • 深度白平衡编辑

    通过神经网络的方法对 sRGB 图像的色温进行调整，得到更高质量、更精准、更自由的白平衡效果。

    Apr, 2020

  • 基于不确定性感知对称网络的快速道路分割

    本文提出了一种基于证据理论的不确定性感知对称网络（USNet），通过完全融合 RGB 和深度数据，折衷速度和准确性。实验结果表明，该方法以 43+ FPS 的实时推理速度实现了最先进的接近 100% 的准确性。

    Mar, 2022

  • RGB - 多光谱匹配：数据集、学习方法、评估

    本研究旨在解决颜色图像和多光谱图像之间分辨率差异大的问题，提出了一种深度学习架构，并利用自监督学习以及 RGB-RGB 匹配任务的知识来实现跨模态匹配。通过在室内环境下拍摄 13 个场景的图像对，并标注了 34 个具有高分辨率标签的图像对，通过实验证明该方法在使用深度学习进行该任务时性能表现良好。

    Jun, 2022

  • 高动态范围图像色调映射的无配对学习

    本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。

    Oct, 2021

  • 多尺度变换器半监督广角人像校正

    提出一种半监督网络用于广角肖像矫正，利用一致性机制和多尺度 Swin Transformer 块构建 MS-Unet 网络，同时使用标记和未标记数据进行训练，实现了比现有方法更优异的结果。

    Sep, 2021

  • MIPI 2022 RGBW 传感器再镶嵌挑战赛：数据集和报告

    本文介绍了首个移动智能摄影和成像 (MIPI) 挑战赛之一，使用新颖的 RGBW 联合重构和去噪算法对 RGBW CFA 进行完整分辨率的 Bayer 插值。

    Sep, 2022