DRAW:保护相机拍摄的原始图像免受图像篡改
该研究提出了一种混合模型和数据驱动的 ISP 技术,实现了 RAW 和 RGB 域的双向映射和参数学习,通过基于字典的数据增强方法,在 RAW 图像重建和去噪任务中实现了最先进的性能。
Jan, 2022
介绍了 AIM 2022 挑战,通过建立方法和基准,该挑战旨在解决如何从对应的 RGB 图像中恢复原始传感器图像的问题,并且得到了最新的结果,这对于其他任务可以产生潜在的益处。
Oct, 2022
本文介绍了一种新的 RAW 重建方法,通过多步骤的细化处理及集成曝光掩膜等创新点,将图像从 RGB 转为 demosaiced RAW,从而通过感知损失函数显著提高了性能,并且同时具有通用性,可应用于增强其他高性能学习方法。
Oct, 2022
本研究提出了一个可逆的图像信号处理管线(InvISP),不仅可以呈现视觉上吸引人的 sRGB 图像,而且还允许恢复几乎完美的 RAW 数据。我们还集成了一个可微的 JPEG 压缩模拟器,使我们的框架能够从 JPEG 图像中重构 RAW 数据。大量的定量和定性实验表明,与替代方法相比,我们的方法在呈现 sRGB 图像和重构 RAW 数据方面获得了更高的质量。
Mar, 2021
本文介绍了一个名为 RAW 的稳健而灵活的即插即用水印检测框架,它将可学习的水印直接引入原始图像数据中,并使用与水印共同训练的分类器来检测水印的存在。此框架在各种生成架构上可兼容,并支持训练后即时进行水印注入,通过整合最先进的平滑技术,不仅在水印图像误分类的假阳性率方面提供可证明的保证,而且在存在针对水印去除的某些对抗性攻击时也表现出显著的性能增强。在由最先进的扩散模型生成的各种图像上的实验证明与现有方法相比,我们的方法在检测带有对抗性攻击的水印图像时,AUROC 从 0.48 增加到 0.82,同时保持图像质量,表现为接近的 FID 和 CLIP 得分。
Jan, 2024
本篇论文提出了一种基于两个流的 Faster R-CNN 网络,旨在检测被篡改图像中的篡改区域,其中一个流从 RGB 图像输入中提取特征,以发现强对比度差异、人为篡改边界等篡改痕迹。另外一个流通过从隐写分析模型过滤层提取的噪声特征,发现真实区域与篡改区域之间的噪声不一致性,并通过双线性池化层融合两个模态的空间共现特征。实验结果表明,该模型性能优于单个模态,且在大小调整和压缩容忍性方面具有最先进的性能。
May, 2018
本文介绍了第二届 AIM 学习的 ISP 挑战赛的参赛队伍根据所提出的解决方案和结果。参赛者必须将由华为 P20 手机拍摄的原始低质量 RAW 图像映射到使用佳能 5D DSLR 相机获得的相同照片,该任务涵盖了许多复杂的计算机视觉子任务,例如图像重采样,去噪,白平衡,颜色和对比度校正等。挑战使用精度分数(PSNR 和 SSIM)和用户研究测量的解决方案的感知结果对目标指标进行评估。提出的解决方案显着改善了基线结果,定义了实际图像信号处理流水线建模的最新技术成果。
Nov, 2020
本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR,开发了一种轻量级高效的 HDR 模型 RepUNet,通过提出即插即用的运动对齐损失方法,解决了短曝光和长曝光图像之间的动作对齐问题,并在视觉质量和量化指标方面实现了最先进的性能。
Jun, 2023