Jul, 2020

短暴光和长暴光原始图像对的低光照恢复

PDF
TL;DR提出了一种使用短曝光和长曝光图像的互补信息进行低光照条件下的图像修复方法，通过模拟低光环境中的成像管道生成的真实短曝光和长曝光原始图像，并使用新的长短曝光融合网络 (LSFNet) 处理低光照图像融合中的问题，包括高噪声、运动模糊、色彩失真和错位，实验结果表明，该方法优于现有的最优方法。
发现论文，激发创造
  • 双摄像头联合去模糊去噪

    近期的图像增强方法展示了使用一对长曝光和短曝光图像进行低光摄影的优势。我们提出了一种新颖的双摄像头方法，通过同时使用一个摄像头捕捉一组同步的短曝光图像和另一个摄像头捕捉的长曝光图像，实现了更好的去噪、运动感知去模糊以及进一步提升质量的效果。

    Sep, 2023

  • 暗光环境下的图像识别

    推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

    May, 2018

  • 一种仿生多曝光融合低光图像增强框架

    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

  • LEDNet: 低光弱化与去模糊联合处理

    该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

    Feb, 2022

  • 快速、轻量级恢复暗图像

    本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

    Nov, 2020

  • 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

  • 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

    本文提出使用深度神经网络结合单一曝光下多图像曝光融合技术来解决现代相机的动态范围限制问题，并在手机摄影实验中获得了高质量的图像。

    Apr, 2020

  • 极低光下图像采集的数码相机管线学习

    通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

    Apr, 2019

  • D2HNet: 面向夜间图像恢复的分层网络联合去噪和去模糊

    本研究提出了基于深度学习的夜间图像融合和增强方法，使用 D2HNet 架构可从多张不同曝光时间的照片中恢复出一张高质量、清晰无噪的夜间图像。经实验证明，在真实拍摄的夜景照片上，该方法可获得极佳的视觉效果和量化分数。

    Jul, 2022

  • 带有大规模低光模拟数据集的注意力引导低光图像增强

    本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

    Aug, 2019