CIE XYZ Net: 低层计算机视觉任务的图像反操作
此研究论文提出了一个使用自监督学习方法和成对数据结合的框架,用于重建 CIE-XYZ 图像和重新生成 sRGB 图像,优于现有方法。该框架应用于 sRGB2XYZ 数据集。
May, 2024
通过反演图像处理流水线的每个步骤,我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术,并在评估损失函数时建模图像处理流水线的相关组件,从而训练一个简单的卷积神经网络,相对于先前的最新技术,在 Darmstadt 噪声数据集上具有 14%-38%更低的误差率,并且是先前技术的 9 倍 - 18 倍更快,同时可以概括到该数据集之外的传感器。
Nov, 2018
本文提出了一种新颖的深度学习框架,用于对场景相关的相机内图像处理进行建模,通过多尺度金字塔学习直方图层将全局和局部场景上下文结合到像素特征中,该方法可以精确地建模在自动模式下不同相机的成像管道,并应用于改善图像去模糊的性能。
Jul, 2017
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
该研究提出了一种混合模型和数据驱动的 ISP 技术,实现了 RAW 和 RGB 域的双向映射和参数学习,通过基于字典的数据增强方法,在 RAW 图像重建和去噪任务中实现了最先进的性能。
Jan, 2022
本研究提出了一个可逆的图像信号处理管线(InvISP),不仅可以呈现视觉上吸引人的 sRGB 图像,而且还允许恢复几乎完美的 RAW 数据。我们还集成了一个可微的 JPEG 压缩模拟器,使我们的框架能够从 JPEG 图像中重构 RAW 数据。大量的定量和定性实验表明,与替代方法相比,我们的方法在呈现 sRGB 图像和重构 RAW 数据方面获得了更高的质量。
Mar, 2021
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。
Nov, 2019
本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器,以生成单色原始图像,同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明,通过利用原始传感器数据和数据驱动的学习,可以显著提高图像质量。
Mar, 2022