Jul, 2023

改进的分割：学习适应暗光图像增强的亮度感知和细节敏感表示

PDF
TL;DR通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。
low-light image enhancementluminance adjustmentchrominance restorationlcdbnetbenchmark datasets
发现论文，激发创造
  • 带有大规模低光模拟数据集的注意力引导低光图像增强

    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

  • 亮度增强和着色：用于定制化低光图像增强的分离网络

    提出了一种称为 BCNet 的 “明亮和着色” 网络，通过引入图像着色来解决低光条件下图像增强的问题，并实现基于用户偏好的不同饱和度和颜色风格的定制增强。

    Aug, 2023

  • 适应光线的学习

    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

  • CRNet：一种用于统一图像恢复和增强任务的细节保持网络

    本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。

    Apr, 2024

  • 低光图像增强的联合校正与优化

    一种名为 JCRNet 的新型结构被提出，可更有效地平衡亮度，颜色和照明。该方法通过三个阶段来增强亮度，颜色和照明，并在低光图像增强任务中显示出明显的综合性能优势。

    Sep, 2023

  • 学习深度上下文感知分解以实现低光照图像增强

    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

  • 光亮注意力网络用于 HDR 图像和全景重构

    本文提出了一种基于 LANet 的亮度注意网络，用于从单个 LDR 图像重建 HDR 图像，并提出了一种新的 HDR 校准方法和亮度注意模块来解决 HDR 和 LDR 图像之间的不同之处，同时我们也扩展了网络以进行全景图重建，该方法在 HDR 重建和全景图方面优于现有方法且代码可用。

    Sep, 2021

  • 降级即升级：学习退化以提升低光图像

    本研究提出了一种新的 Degradation-to-Refinement Generation Network（DRGN），通过两个步骤研究自然低光图像中的 intrinisic degradation 和 diffuse illumination color loss 的问题，使其具有更好的表现和性能。

    Mar, 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

  • 双重降级启发的深度展开网络用于低光图像增强

    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