Jul, 2023

利用红外编码图像增强低光照图像

PDF
TL;DR提出了一种通过去除相机红外 (IR) 截止滤波器来提高低光环境下图像可见度的新方法，实验结果定量和定性上显示了提出方法的有效性。
low-light image enhancementin-camera infrared cut-off filtersignal-to-noise ratiopaired datasetexperimental results
发现论文，激发创造
  • 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

  • 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

  • 极低光下图像采集的数码相机管线学习

    通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

    Apr, 2019

  • 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

  • 图像到图像翻译在改进行人检测中的应用

    使用深度学习模型和可见光红外图像对数据集进行训练，从而实现在低光环境中的行人识别。

    Sep, 2022

  • 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

    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。

    May, 2023

  • 使用深度卷积神经网络的红外图像上色

    本文介绍了一种使用深度多尺度卷积神经网络将 RGB 彩色谱转换为近红外 (NIR) 图像的方法，通过 NIR 和 RGB 像素之间的直接集成传输来训练模型，不需要任何用户指导或参考图像数据库，在召回阶段生成具有自然外观的图像，并通过保留 NIR 图像的丰富细节，将其高频特征转移至估算的 RGB 图像，本方法在一个真实世界的数据集上进行了训练和评估，该数据集包含大量夏季道路场景图像，由多 CCD NIR/RGB 相机捕获，保证了完美的像素对齐。

    Apr, 2016

  • RGB 光谱重建中基于照明感知的 IR-Cut 滤镜调整

    本研究提出了一种基于滤光阵列的颜色成像机制，旨在设计 IR 剪切滤光片，以改善现有 RGB 相机的光谱恢复，进而提出一个基于深度学习的光谱重建方法，并得到了合成和真实图像试验结果的验证。

    Mar, 2021

  • 极低能见度条件下非均匀照明图像增强

    通过自适应滤波、可视化优化策略和最大直方图均衡化，本文介绍了一种在极低能见度下增强图像清晰度的新方法，并且在极低能见度条件下优于现有算法。

    Apr, 2024

  • 适用于暗光环境的可见光限制宽带照明光谱设计

    该篇论文提出了一种通过设计宽带 VIS-NIR 范围内的辅助照明的最佳光谱，来优化 NIR2RGB 翻译的方法，以实现在完全黑暗条件下的图像捕获。

    Mar, 2023