多尺度 Retinex 与多任务学习的红外热像图联合色调映射和去噪

May, 2023

多尺度 Retinex 与多任务学习的红外热像图联合色调映射和去噪

Joint tone mapping and denoising of thermal infrared images via multi-scale Retinex and multi-task learning

Axel Gödrich, Daniel König, Gabriel Eilertsen, Michael Teutsch

TL;DR使用优化的多尺度 Retinex 算法和基于 U-Net 架构的深度学习方法，对 16bpp 的热红外图像进行色调映射算法的研究，以及使用自监督深度学习方法减少噪音并提高热红外视频增强质量，并在公共 FLIR ADAS 数据集上证明了所提出的方法效果优于现有技术。

Abstract

Cameras digitize real-world scenes as pixel intensity values with a limited value range given by the available bits per pixel (bpp). High Dynamic Range (HDR) cameras capture those luminance values in higher resolution through an increase in the number of bpp. Most displays, however, are limited to 8 bpp. Naive HDR compression methods lead to a loss of the ri

hdr cameras tone mapping algorithms thermal infrared images deep learning flir adas dataset

发现论文，激发创造

高动态范围图像的红外捕获

通过利用热红外传感器，结合 IR 和 SDR 图像内容的新方法 HDRTNet 在 HDR 图像获取方面取得显著改进，对比研究表明在多种不同光照条件下该方法具有鲁棒性。

Jun, 2024

高动态范围图像色调映射的无配对学习

本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。

Oct, 2021

语义感知扩散逆色调映射

本文提出了一种新颖的逆向色调映射方法，通过基于语义感知的扩散补全方法在遮罩区域中生成丢失的剪切区域的细节，并借鉴传统的 HDR 成像和曝光方法，提出了一种与生成式补全方法兼容的将 SDR 补全区域提升为 HDR 图像的原则式公式。结果表明，我们的方法在客观指标上展现出卓越的性能，并且主观实验表明，所提出的方法在视觉保真度方面与最先进的逆向色调映射算子相匹配（在大多数情况下超越）和超过它们。

May, 2024

TGTM: 基于 TinyML 的高动态范围传感器全局色调映射

本研究论文介绍了一种基于小型机器学习的全局色调映射方法（TGTM），该方法在任意分辨率下的每个 RGB 图像上以 9,000 FLOPS 的计算速度操作，通过应用于图像直方图数据，实现了 HDR 图像的色调映射，结果表明 TGTM 在实际 HDR 相机图像上相对于现有方法具有更高的峰值信噪比（PSNR），而计算量则较低。

May, 2024

生物启发色调映射运算符的感知优化

本文利用基于神经网络的两阶段高动态范围图像色调映射算法，根据感知优化程度，将 HDR 图像通过对比计算 Laplacian 金字塔损失度来自动生成相应的 LDR 图像堆栈，并融合生成期望的 LDR 图像，最终实现完全自动的色调映射。

Jun, 2022

基于物理启发的深度网络的热图像处理

DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。

Aug, 2021

Deep SR-ITM: 用于 4K UHD HDR 应用的超分辨率和反色调映射联合学习

该研究论文提出了一种深度网络模型 Deep SR-ITM，利用超分辨率和反色调映射来将低分辨率和标准动态范围视频转换为高动态范围和超高清晰度视频，并在位置可变操作下运用调制块来增强局部对比度。

Apr, 2019

高动态范围图像深度色调映射算子

本研究提出一种快速，无参数，可自适应不同场景的基于深度生成对抗网络（cGAN）的色调映射运算符（DeepTMO），用于在不同的低动态范围（LDR）输出设备上可视化大量高动态范围（HDR）内容，从而解决现有算子只能成功映射一定数量 HDR 内容且需要大量参数调整才能产生最佳主观质量调制输出的问题。

Aug, 2019

单个热成像的多模态传感器融合超分辨率

本文提出了一种基于深度学习的解决方案，通过多模态图像融合模型来提高热红外图像的分辨率，并研究了一系列网络架构、上采样方法、学习过程以及优化函数对图像超分辨率问题的有益作用，并提出了一个基准数据集进行定量评估

Dec, 2018

高动态范围图像重建的双阶段深度网络

本研究提出了一种新的两阶段深度网络，旨在通过第一阶段的图像增强任务和第二阶段基于数据样本的色调映射和位扩展，将单次曝光的低动态范围图像映射成高动态范围图像，无需了解相机响应函数（CRF）和曝光设置等硬件信息。实验结果表明，该方法可以在质量和数量上超过现有的低动态范围到高动态范围的工作，并且在真实世界低动态范围图像评估中也能够重建出逼真的 HDR 图像。

Apr, 2021