ICCVSep, 2021

黑暗中的图像匹配：低光场景图像匹配数据集

PDF
TL;DR本文研究如何利用更高精度的 RAW 格式图像匹配极低光场景的图像，并通过实验评估了图像增强和匹配方法的效果。
low-light scenessfmvisual slamraw-format imagescnns
发现论文，激发创造
  • 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

  • 低光原始降噪的学习增强：配对真实数据与噪声建模相遇

    通过增加数据容量和降低噪声复杂度的方式，我们提出了一个可学性增强策略来提高低光下图像去噪的性能，该策略包括射击噪声增强（SNA）和黑暗遮蔽校正（DSC）两种高效技术，并在公共数据集和实际成像场景中取得了最先进的性能。

    Jul, 2022

  • 暗光环境下的实例分割

    本研究旨在通过采用自适应加权下采样层、基于平滑向量的卷积块和干扰抑制学习等多种技术，抑制低光环境下的特征噪声，从而大幅提高实例分割的准确率。同时，研究人员发现高位深 RAW 图像相比于典型的相机 sRGB 输出可以更好地保留更丰富的场景信息，支持使用 RAW 输入算法进行低光下的实例分割。为此，他们提出了一个低光 RAW 综合管道来生成逼真的低光数据集，并捕获了一个包含超过两千个配对低 / 正常光图像的现实低光实例分割数据集，为未来研究打开了新的机会。

    Apr, 2023

  • 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

  • 光照条件变化下的图像检索

    使用 U-Net 学习算法对白天和晚上图像进行照明规范化处理，解决了光照变化下的图像检索问题，并取得了良好的实验效果。

    Aug, 2019

  • 暗光下的多目标追踪

    本文介绍了一个低光场景下的多目标跟踪方法和相应的数据集 LMOT，证实了该方法在实际夜间低光场景中的竞争力。

    May, 2024

  • RGB - 多光谱匹配：数据集、学习方法、评估

    本研究旨在解决颜色图像和多光谱图像之间分辨率差异大的问题，提出了一种深度学习架构，并利用自监督学习以及 RGB-RGB 匹配任务的知识来实现跨模态匹配。通过在室内环境下拍摄 13 个场景的图像对，并标注了 34 个具有高分辨率标签的图像对，通过实验证明该方法在使用深度学习进行该任务时性能表现良好。

    Jun, 2022

  • 低光环境下目标跟踪的综合研究

    在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

    Dec, 2023

  • BVI-Lowlight: 低光视频增强的完全注册基准数据集

    通过引入一个新颖的低光视频数据集，本文对低光视频进行增强的方法进行了深入分析和全面评估，并展示了全注册视频配对在发展低光视频增强方法中的重要性和对综合评估的需求。

    Feb, 2024

  • 使用新版独家暗黑数据集熟悉低光照图像

    本文提供了一个独特的 low-light 图像数据集 Exclusively Dark dataset 及其注释，并分析了低光照度对物体检测任务的影响，发现其影响深入特征中，不能仅靠 “光照不变性” 解决。作者希望这个数据集及分析能够鼓励不同领域的低光照度研究的发展。

    May, 2018