CVPRApr, 2022

级联色彩和亮度补偿实现夜晚图像渲染

PDF
TL;DR该研究建立了高分辨率夜间 RAW-RGB 数据集，并开发了 CBUnet，一个二阶段的神经网络图像信号处理方案，以应对夜间光照特性不明确的问题，实验结果表明，该方法相较于传统 ISP 管道具有更好的视觉效果，并在 NTIRE 2022 夜间摄影渲染挑战赛上排名第二。
image signal processingneural networksnighttime image datasetnr2r datasetcbunet
发现论文，激发创造
  • 日夜图像合成用于训练夜间神经边缘增强处理器

    利用综合化的白天图像与少量夜晚图像进行训练可达到基于纯夜晚图像进行训练相似的效果，从而解决训练过程中需要捕获大量清晰夜晚图像且难以对齐的问题。

    Jun, 2022

  • GenISP: 低光环境下机器认知的神经 ISP

    在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知，它将颜色空间转换明确地融入到独立于设备的颜色空间中，以提高对未见的相机传感器的泛化性，同时与任何物体检测器配对。

    May, 2022

  • 深度白平衡编辑

    通过神经网络的方法对 sRGB 图像的色温进行调整，得到更高质量、更精准、更自由的白平衡效果。

    Apr, 2020

  • 将智能手机转换为数码单反相机：在野外学习 ISP

    本文提出了可训练的图像信号处理框架，通过使用智能手机拍摄 RAW 图像，可以生成 DSLR 画质的图像，其中使用了色彩条件 ISP 网络和优化的参数色彩映射，在设计具有高效全局上下文模块的颜色预测网络的同时，使用了鲁棒的遮蔽对齐损失函数。同时推出了 ISP in the Wild（ISPW）数据集，并在两个数据集上取得了新的最先进的结果。

    Mar, 2022

  • 24 小时彩色成像一体化增强解决方案

    本研究提出了一种新的集成增强算法，通过分离可见光和近红外信息并将其自适应增强，在白天和黑夜都能产生清晰的彩色图像，实验结果显示其效果显著。

    May, 2020

  • 基于全局上下文引导的简单图像信号处理

    现代智能手机相机中，图像信号处理器（ISP）是将传感器的原始读数转换为用户可感知的 RGB 图像的核心元素。我们提出了一个可以捕捉全局上下文信息的模块，并利用该模块构建了一个高效且简单的神经 ISP，实现了对不同基准测试集的全分辨率真实智能手机图像的最新成果。

    Apr, 2024

  • DeepISP：朝向学习端到端图像处理流程

    DeepISP 是一个全面的端到端深度神经模型，用于照相机图像信号处理（ISP）管道，学习从原始低光马赛克图像到最终具有视觉吸引力的图像的映射，并包括去马赛克、降噪以及色彩校正等低层次任务，以及更高层次的图像调整任务。该解决方案在 PSNR 的客观评估方面实现了最先进的性能，在完整的端到端管道中，相比制造商 ISP，在主观人类评估和由用于评估图像质量的深度模型评分时具有更好的视觉质量。

    Jan, 2018

  • Pseudo-ISP：从彩色图像降噪器中学习伪相机信号处理管道

    本文介绍了一种使用未配对学习方案来调整色彩图像去噪器处理测试图像的方案，并使用学习的伪 ISP 和 rawRGB 噪声模型对真实噪声图像进行去噪，表明该方案对不同的去噪器都有效。

    Mar, 2021

  • 从现实世界的 RAW 图像中高效重建 HDR

    本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

    Jun, 2023

  • Uni-ISP：融合多个摄像头学习 ISP

    通过统一多种相机模型的学习，提出了一种新颖的管线 Uni-ISP，利用设备感知的嵌入技术和特殊的训练方案，提高了逆向 / 正向 ISP 的性能，并解锁了多种新应用。同时，通过构建一个真实的 4K 数据集，证明了 Uni-ISP 在逆向 / 正向 ISP 方面的精确性以及其对新相机模型的适应性。

    Jun, 2024