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
本研究提出了一种基于深度学习的图像融合算法,通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上,找到了更加紧凑和高效的网络结构,实现了比较优异的成果。
May, 2023
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
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
提出了一种新的深度学习架构,用于融合静态多曝光图像,并使用无监督的深度学习框架,利用无参考质量度量作为损失函数进行训练。使用从每个图像中提取的低级特征生成无伪影感知愉悦的结果,这种方法在自然图像方面优于现有的最先进方法。
Dec, 2017
本篇论文研究并讨论如何设计和训练一种深度神经网络,以处理动态场景的单应性估计问题,通过多尺度网络进行设计和训练,在估计动态场景的单应性时,同时完成了动态内容检测的任务,使得该方法在具有挑战性的场景中具有较高的算法鲁棒性。
Apr, 2020
该研究提出了一种自监督的高动态范围(HDR)重建方法 SelfHDR,该方法仅需使用动态多曝光图像进行训练,可消除对有标签数据的需求,并通过两个互补组件来学习重建网络,分别关注 HDR 颜色和结构。实验结果表明,SelfHDR 在真实世界图像上优于最先进的自监督方法,并与有监督方法具有可比性。
Oct, 2023
提出了一种采用注意力模块引导合并 LDR 图像的高动态范围成像(AHDR)神经网络,此方法可避免光流估计误差引起的伪影问题,通过实验证明该方法能够在图像质量上达到最先进的水平。
Apr, 2019
使用深度神经网络、Transformer 等技术提出 HyHDRNet 网络,实现低动态范围图像转高动态范围图像的时空去影与融合,与同类算法相比,取得更优的定量和定性效果。
Apr, 2023