基于双层快速场景适应的低光图像增强
通过引入生成块从 RAW 域转换为 RGB 域,本研究提出了一种新的低光视觉解决方案,建立了一个双层模型来准确表征生成过程与视觉任务之间的潜在关联,并通过双层优化实现在增强任务上的普适性,通过大量实验证明了该方法的卓越性能。
Aug, 2023
本文提出一种新的自校准照明(SCI)学习框架,用于在低光环境下快速,灵活和准确地增强图像,通过耦合权值共享的级联照明学习过程来实现此任务,从而极大地减少计算成本,提高模型适用性。
Apr, 2022
这篇研究论文介绍了一种基于深度学习的多模态分支网络 (MBNet) 方法,利用深度地图对图像进行照明重新校准,并通过动态膨胀金字塔模块进行解码以有效地使用图像和深度特征。同时,提出了一种新的数据处理流水线以增加训练数据的多样性。在 VIDIT 数据集上的实验表明,该方案在 NTIRE 2021 深度指导一对一照明挑战赛中达到了 SSIM 和 PMS 方面的第一名。
May, 2021
本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法,利用合成的低光模拟数据构建数据集,通过使用两个注意力图指导亮度增强和降噪任务,并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强,该方法在多个数据集上表现优异,比当前最先进的方法有更好的定量和视觉效果。
Aug, 2019
本研究提出了一种生物启发的方法来处理光相关的图像增强任务,使用统一的网络(称为 LA-Net)并设计了一个基于频率的分解模块来实现统一的光适应,同时在高频通道中实现了噪声抑制或细节增强。对低光增强、曝光校正和色调映射这三个任务进行了广泛实验,并证明了所提出方法在这些独立任务中获得了接近最先进技术的表现。
Feb, 2022
提出基于自监督学习的深度学习低光图像增强方法,通过基于信息熵理论和 Retinex 模型的最大熵 Retinex 模型,实现了对低光图像中亮度和反射性分离的简化,仅需分钟级别的培训即可获得图像增强,证明该方法达到了处理速度和效果方面的最新成果。
Feb, 2020
利用卷积神经网络和 Retinex 理论,基于低光照条件下图像对比度很低的事实,提出了一个低光照图像增强模型。通过实验,证明该模型在质量和量化方面比其他同类模型有优势。
Nov, 2017
提出了一种新的编码器 - 解码器框架,使用边缘感知的注意力模块来增强极低光条件下的文本图像,通过使用文本检测和边缘重建损失强调低层次的文本特征,实现了成功的文本提取和极低光图像增强。
Apr, 2024
采用新的神经网络结构实现移动图像处理,使用对输入 / 输出图像成对的训练集,预测局部仿射模型的系数,使用新的切片节点对上采样的变换进行边缘保持,对高分辨率图像在智能手机上进行毫秒级的处理,并在大类图像操作中匹配最先进的逼近技术质量。
Jul, 2017