Jan, 2020

低光图像增强的零参考深曲线估计

PDF
TL;DR该论文提出了一种新的零参考深曲线估计方法（Zero-DCE），它将受光增强任务视为深度网络中的图像特定曲线估计任务。我们通过训练一个轻量级的深度网络 DCE-Net 来估计给定图像的像素级和高阶曲线，以进行动态范围调整。Zero-DCE 有很强的适用性，即在训练期间不需要任何成对或无序数据进行参考。通过一组精心设计的非参考损失函数，我们实现了对非参考图像增强质量的隐式度量，并驱动网络学习。我们的方法具有高效性和可解释性，因为图像增强可以通过直观和简单的非线性曲线映射来实现。尽管简单，我们展示了它对不同光照条件的良好推广能力。在各种基准测试上进行的大量实验定量和定性地展示了我们方法的优势。此外，我们还讨论了 Zero-DCE 对于在黑暗中进行人脸检测的潜在优势。
zero-reference deep curve estimationdynamic range adjustmentlight enhancementnon-reference loss functionsface detection
发现论文，激发创造
  • 通过零参考深曲线估计学习提高低光图像

    该论文提出了一种新颖的方法，称为 Zero-Reference Deep Curve Estimation (Zero-DCE)，它将图像增强的问题转化为深度网络中的图像特定曲线估计问题。该方法通过训练一个轻量级的深度网络，DCE-Net，针对给定图像估计像素级和高阶曲线以进行动态范围调整。Zero-DCE++ 是 Zero-DCE 的加速和轻量级版本，具有快速的推理速度，同时保持 Zero-DCE 的增强性能。

    Mar, 2021

  • 自我参考深度自适应曲线估计用于低光图像增强

    本文提出了一种称为自参考深度自适应曲线估计（Self-DACE）的两阶段低光图像增强方法。第一阶段介绍了一种直观、轻量级、快速和无监督的亮度增强算法，该算法基于一种新颖的低光增强曲线，可用于本地增强图像亮度。同时，我们提出了一个新的损失函数，配备了一个简化的物理模型，旨在保留自然图像的颜色、结构和保真度。我们使用一个普通的 CNN 通过深度自适应调整曲线（AAC）对每个像素进行映射，同时保留局部图像结构。其次，我们引入相应的降噪方案来去除图像中存在的噪声。我们对暗部噪声进行了近似建模，并使用降噪网络在第一阶段后估计和去除噪声。全面的定性和定量分析显示，我们的方法在多个实际数据集上优于现有的最先进算法。

    Aug, 2023

  • Zero-LED：低光图像增强零参考照明估计扩散模型

    提出了一种基于扩散模型的零参考光估计扩散模型，用于低光图像增强，通过零参考学习成功地弥补了对成对训练数据的依赖，并通过与初始优化网络之间的双向约束实现光照增强。

    Mar, 2024

  • 快速低光图像增强的查找表全局曲线估计

    提出了一种名为 LUT-GCE 的低光图像增强有效且高效的方法，采用全局曲线估计方法，包括了一种新型的立方曲线公式，全局曲线估计网络（GCENet），查找表方法和直方图平滑度损失。

    Jun, 2023

  • 高分辨率低光照图像增强的 Bootstrap 扩散模型曲线估计

    使用 BDCE，一种基于学习的曲线参数分布估计模型，来解决高分辨率图像的计算成本高和同时增强和去噪效果不佳的问题，并通过大量实验证明其在常用基准数据集上达到了最先进的定性和定量性能。

    Sep, 2023

  • 语义引导的零样本低光图像 / 视频增强

    本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

    Oct, 2021

  • 基于物理四重先验的零参考低光增强

    通过基于理论的光传递的光度无关先验、预训练的生成扩散模型以及轻量级版本，我们提出了一个仅使用正常光图像进行训练的零参考低光增强框架，该框架在多种场景下表现出卓越的优越性、良好的可解释性、鲁棒性和效率。

    Mar, 2024

  • 基于对比参数方程的深度量子图像增强

    为了增强图像而不受其反射率的强约束，我们提出了一种新的可训练模块，它将低照度图像和光照图映射成增强图像，并结合无监督学习适应不同任务。

    Apr, 2023

  • 黑暗中的文本：极低光照文本图像增强

    提出了一种新的编码器 - 解码器框架，使用边缘感知的注意力模块来增强极低光条件下的文本图像，通过使用文本检测和边缘重建损失强调低层次的文本特征，实现了成功的文本提取和极低光图像增强。

    Apr, 2024

  • 边缘处藏魔鬼：具有边缘感知一致性融合的单目深度估计

    本文提出了名为 ECFNet 的新型单目深度估计方法，通过单个 RGB 图像准确预测高质量的单目深度，应用了图像边缘信息和深度一致性模块来融合不同来源的初始深度，实现了领先的性能。

    Mar, 2024