本文提出了一种联合的低光增强和去噪策略,通过 Retinex 模型基于分解进行顺序处理,对每个组件强制施加空间平滑性,巧妙地利用权重矩阵来抑制噪声和提高对比度,实现了对低光图像的有效增强和去噪。
Apr, 2018
本文提出了一种将低光图像增强模型拆分成两个阶段的方法,第一阶段侧重于基于像素级的非线性映射来提高场景的可见性,第二阶段侧重于通过抑制其余退化因素来提高外观保真度,本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。
Nov, 2021
该论文提出了一种基于深度学习的 Retinex 模型,可以更好地应对不同环境下光照不足的图像增强问题,通过红外辅助拍摄低光图像构建了一个 LOL(Low-Light)数据集,并使用其中的图像进行训练,实验结果表明该方法在增强低光图像质量方面具有很好的效果。
Aug, 2018
通过多次散射估计学习光晕生成的大气点扩散函数,设计了一种基于零样本学习的光晕抑制方法,并结合近距离光源的夜间成像模型和盲解卷积网络,实现了光晕抑制和低光增强任务。
Jul, 2023
本研究提出了一种基于深度学习的去除影子方法,通过线性照明转换模拟影子的形成,使用 SP-Net 和 M-Net 网络分别预测影子的参数和阴影掩层,通过在 ISTD 数据集上训练,相比其他方法取得了 40%的错误率降低并使用扩充的 ISTD 数据集进一步优化了效果。
Aug, 2019
本文提出了一种新的单目深度估计框架,引入了基于先验的正则化来学习配准深度图像的分布知识以避免错误训练,并使用 Mapping-Consistent Image Enhancement module 来增强图像可视性和对比度,同时维持亮度一致性,最后使用基于统计的掩码策略调整纹理区域内删除像素数量的数量来解决在夜间场景下的问题,实验表明每个部分都是有效的,并取得了令人瞩目的成果和最新成果。
Aug, 2021
通过使用线性光照转换建模阴影效应,提出了一种深度学习方法,使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩,并采用修补网络 I-Net 进一步优化结果,在 ISTD 数据集上测试表明,在阴影区域方面,我们的方法比现有方法提高了 20%,同时提出了一种基于补丁的弱监督阴影去除方法,并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。
Dec, 2020
本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构,能够有效增强低光照条件下的图像质量,在各种图像处理和多媒体应用中具有较强的实际应用价值。
Dec, 2021
基于深度展开网络的双重退化启发的低光图像增强模型,通过构建双重退化模型来显式模拟低光图像的恶化机制,学习两个不同的图像先验,并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。
Aug, 2023
本文提出了一种自监督的夜间单目深度估计方法,不使用夜间图像进行训练,而是利用日间图像作为稳定的自监督信号,并应用物理先验来弥补昼夜差异,通过对昼夜数据分布的补偿,实现高效的单阶段自监督训练。实验结果表明,与现有方法相比,我们的方法在具有挑战性的 nuScenes-Night 和 RobotCar-Night 数据集上取得了领先的深度估计结果。
Apr, 2024