通过自适应学习和连接不同区域的曝光表示,我们介绍了一种有效的面向区域的曝光校正网络(RECNet),可以处理混合曝光的图像。通过区域感知的去曝光模块和混合尺度恢复单元,我们可以处理混合曝光不均匀分布所带来的挑战,并且通过曝光对比正则化策略实现全局图像的均匀曝光分布。在各种数据集上进行的广泛实验证明了我们提出方法的优越性和泛化性。
Feb, 2024
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
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
本研究提出了一种适应性图像学习模块,通过合适的图像处理和超参数预测,增强了低光条件下的图像识别模型的性能。实验证明,该方法能够有效提升低光条件下的图像识别性能。
Jan, 2024
本文介绍了一种基于 Region-of-Interest (RoI) 的检测细化方法,使用新型的 Recurrent Glimpse-based decOder (REGO) 来帮助 DETR 的注意力逐渐准确地聚焦于前景对象,并在不影响全自动训练和推理流程的情况下将其嵌入 DETR 变体中。实验结果显示,此方法可以在明显降低训练期间的情况下提高 DETR 检测器的性能。
Dec, 2021
本文利用互相关联的检测和描述特点的相互加权策略进行多模态特征学习,提出了具有大触发范围的 Super Detector 和 learnable 非最大抑制层的 detector,并提出了可评估特征匹配和图像注册任务性能的基准系统,实验证明本文的方法可以显著提高匹配的准确性及训练的稳定性。
May, 2022
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
本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法,既抑制了图像噪声的干扰,又大大提高了计算效率。同时,提出了一种基于相机成像模型的图像合成策略,有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。
Nov, 2019
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
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