AAAIDec, 2021

TransMEF: 基于 Transformer 的多曝光图像融合框架，使用自监督多任务学习

PDF
TL;DR本文提出了一种基于 Transformer 的多曝光图像融合框架 TransMEF，使用自监督多任务学习，通过设计重构任务并使用多任务学习进行同时训练，使网络可以学习到多曝光图像的特征和提取更广义的特征，同时将 CNN 模块与 Transformer 模块结合来解决 CNN-based 构架中建立长距离依赖的缺陷。在对比 11 种传统和深度学习方法后，本文提出的方法在主观和客观评估中都取得了最佳性能。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • FuseFormer: 用于视觉和热图像融合的 Transformer

    通过整合转换器模型的多尺度融合策略，本研究提出了一种新的图像融合方法，以克服使用评价指标作为损失函数所带来的局限性，并改善了整体方法的效果。

    Feb, 2024

  • 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

  • 图像融合变换器

    本研究提出一种新的基于 Transformer 的图像融合方法，采用多尺度融合策略同时关注局部和全局信息，使用卷积神经网络与 Transformer 分支捕捉局部和长程特征，经对比实验表明，该方法优于当下多种融合算法。

    Jul, 2021

  • MEFLUT: 多曝光图像融合的无监督一维查找表

    我们介绍了一种高质量多曝光图像融合的新方法，通过编码每个曝光的融合权重到一维查找表（LUT）中，利用注意力机制提升融合质量，并通过一个包含 960 个样本的数据集训练网络，实验证明我们的方法在质量和效率上都优于现有方法。

    Sep, 2023

  • 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