CVPRMay, 2020

学习一个强化智能体以实现灵活的曝光补偿选择

PDF
TL;DR提出了一种名为 EBSNet 的深度神经网络，它可以自动选择曝光多次以进行多曝光融合，无需相机响应函数，传感器噪声模型和带有不同曝光的预览图像流。通过从单个自动曝光预览图像中提取的亮度和语义信息，EBSNet 可以选择最佳曝光时间以进行多曝光融合。
exposure bracketingmulti-exposure fusiondeep neural networkreinforced agentmefnet
发现论文，激发创造
  • 括号是你所需的一切：用多曝光图像统一图像恢复和增强任务

    在低光环境中获取内容清晰的高质量照片具有挑战性但极为理想。我们提出利用曝光合成摄影来统一恢复和增强任务，通过模拟数据与自适应方法，克服了收集真实场景对方法进行训练的困难。实验结果表明，我们的方法在两个数据集上相对于最先进的多图像处理方法表现出色。

    Jan, 2024

  • 混合监督双搜索：利用自动学习实现无损多曝光图像融合

    本文提出了一种名为 HSDS-MEF 的用于多曝光图像融合（MEF）的双搜索混合监督的方法，通过引入双重优化搜索方案来自动设计网络结构和损失函数，实现了比竞争方案更好的表现，在一般和无参考场景中，视觉信息保真度（VIF）分别提高了 10.61％和 4.38％，同时提供了高对比度，丰富细节和色彩的结果。

    Sep, 2023

  • DeepFuse：一种利用极端曝光图像对进行深度非监督式曝光融合的方法

    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

  • 多曝光图像融合算法的基准测试和比较

    本文提供了一个包含 100 对图像、16 种算法和 20 种评估指标的多曝光图像融合（MEF）基准，用于实现公平和全面的性能比较以及鉴定有效算法，从而促进该领域的发展。

    Jul, 2020

  • 知觉多曝光融合

    本论文提出一种感知型多曝光融合技术，使用改进后的自适应曝光度度量和三维梯度进行对比度增强，具有细节丰富度高，计算成本低等优点，在图像增强领域取得了良好的实验结果。

    Oct, 2022

  • EMEF：集成多曝光图像融合

    本文提出了一种基于多个不完美的多曝光图像融合贡献者的集合框架（EMEF）以解决当前的 MEF 问题，通过在预训练阶段统一网络模仿不同的 MEF 目标，并在运行时通过优化风格代码来调整模仿者网络，进而在最新的 MEF 基准测试数据集上取得了最好的实验结果。

    May, 2023

  • 利用流向导对齐和增强特征聚合改进括号图像修复和增强

    通过提出的 IREANet 框架，该研究致力于解决从一系列噪声、模糊和低动态范围多曝光 RAW 输入中恢复高质量高动态范围（HDR）图像的 Bracket Image Restoration 和 Enhancement 任务。

    Apr, 2024

  • 通过强化学习学习控制相机曝光

    本文提出了一种基于深度强化学习的相机曝光控制框架，以实现实时处理并在不同动态光照条件下迅速控制相机曝光。该框架通过简化训练场景、奖励设计、状态设计和域随机化等方法，实现了在五个步骤内快速达到所需曝光水平，并在不同计算机视觉任务中表现出优越性。

    Apr, 2024

  • 用于单曝光校正和多曝光融合的融合 - 校正网络

    本文提出了一种基于 Laplacian Pyramid 分解的 Fusion-Correction 网络，该网络通过多层级别的顺序处理来同时解决 Single-Exposure Correction 和 Multi-Exposure Fusion 任务，实验结果表明其在这两个任务上具有很好的表现。

    Mar, 2022

  • 多曝光图像融合中紧凑稳健的架构探讨

    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