May, 2023

联合优化图像压缩与低光图像增强

PDF
TL;DR为了在低光图像中同时实现更高的压缩率和更好的增强性能，我们提出了一个新的图像压缩框架，并对低光图像增强进行联合优化。实验结果表明，我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案，在低光图像中实现了显着的改进。
image compressionlow-light imagesimage enhancementjoint optimizationend-to-end trainable
发现论文，激发创造
  • 通过降噪的联合学习优化图像压缩

    针对智能手机拍摄图像噪点问题，提出一种噪点感知的联合去噪与压缩图像算法，通过消除噪点并将其转换为无噪点位，以解决压缩图像时出现的误差位分配问题，实现了一个简单高效的两分支共享权重架构，并在合成和实际的数据集上获得了显著的性能提升。

    Jul, 2022

  • 强大的有损压缩技术对于噪声图像

    我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理，通过设计一个端到端可训练的网络，它包括主编码器分支、引导分支和信噪比感知分支，我们在合成和真实数据集上进行了广泛实验，证明我们的联合解决方案优于现有的最先进方法。

    Mar, 2024

  • 一种端到端的图像压缩和质量增强联合学习方案，带有改进的熵最小化

    本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

    Dec, 2019

  • 基于序列分解的联合增强和降噪方法

    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

  • 端到端优化的图像压缩

    描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。

    Nov, 2016

  • 语义引导的零样本低光图像 / 视频增强

    本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

    Oct, 2021

  • LEDNet: 低光弱化与去模糊联合处理

    该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

    Feb, 2022

  • CodeEnhance：一种基于码书的低光图像增强方法

    利用量化的先验知识和图像精修方法，该文提出了一种名为 CodeEnhance 的新型低光图像增强方法，通过学习从低光图像到离散码书的映射，改善图像恢复中的不确定性和噪声压制造成的纹理和颜色信息损失，并结合语义信息、码书位移和交互特征转换模块，实现了对低光图像的交互式增强。实验证明，CodeEnhance 在质量和保真度上显著提高了低光图像增强的性能，对于不均匀照明、噪声和颜色失真等各种退化具有较强的鲁棒性。

    Apr, 2024

  • 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

  • 基于 SNR-Aware Swin Transformer 的无监督低光图像增强技术

    本文提出了一种基于 Swin Transformer 的双分支网络，以信噪比先验图为指导，利用无监督学习构建优化目标，实现低光图像增强，并在实验中取得竞争性的结果。

    Jun, 2023