ICCVAug, 2023

基于光照感知伽马校正和完整图像建模网络的低光照图像增强

PDF
TL;DR本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。
low-light image enhancementgamma correctiondeep networksilluminationtransformer block
发现论文，激发创造
  • 一种基于通道先验和伽马校正的轻量级低光图像增强网络

    通过结合传统方法与深度学习技术，本研究提出了一种创新的低光图像增强网络 CPGA-Net，该网络结合了暗 / 亮通道先验、伽马校正、大气散射模型和 Retinex 理论的特征，成为一个轻量级网络，在客观和主观评价标准上取得了优异性能，为低光环境下的实际应用提供了新的解决方案。

    Feb, 2024

  • 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

  • 无畏光亮度适应：一种用于曝光校正的宏观 - 微观 - 分层变压器

    通过使用 Macro-Micro-Hierarchical transformer 来处理曝光问题，该方法结合了宏观和微观的特征提取并具有层次结构，通过对不同尺度的误差逐层修正，同时使用对比度约束来提高图像质量，从而在曝光修正以及图像增强方面取得了优于现有方法的结果。

    Sep, 2023

  • 使用非配对学习技术自由增强图像

    通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

    Oct, 2021

  • 点石成金：提升多曝光图像融合的分层特征

    在多曝光图像融合领域，本研究提出了一种使用深度学习网络的新方法，通过引入伽马校正模块和改进的 Transformer 模块实现对图像的融合和色彩增强。

    Apr, 2024

  • 通过定制的可学习先验为低光图像增强器赋能

    本研究提出了一种低光图像增强范式，利用自定义的可学习先验来提高深度展开范式的透明度和解释性，通过 Masked Autoencoder（MAE）的特征表示能力定制了基于 MAE 的光照和噪声先验，并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。

    Sep, 2023

  • 低光图像增强：结构建模和引导

    本文提出了一种新的低光图像增强框架，通过同时进行外观和结构建模，引入结构特征来指导外观增强，采用改进的生成模型实现结构建模，提出了结构引导增强模块来改善外观建模，实现了端到端的训练，并在代表性数据集上进行实验，表明我们的模型在所有数据集上均实现了最佳表现。

    May, 2023

  • 基于物理四重先验的零参考低光增强

    通过基于理论的光传递的光度无关先验、预训练的生成扩散模型以及轻量级版本，我们提出了一个仅使用正常光图像进行训练的零参考低光增强框架，该框架在多种场景下表现出卓越的优越性、良好的可解释性、鲁棒性和效率。

    Mar, 2024

  • IndGIC：低照度条件下的监督动作识别

    在这篇论文中，我们提出了一种使用深度多输入网络的行为识别方法，并且还提出了一种独立伽马强度校正（Ind-GIC）来增强贫光照视频，通过生成一个伽马值来提高增强性能。通过与现有方法的评估和比较，实验结果表明我们的模型在 ARID 数据集上取得了高准确度。

    Aug, 2023

  • 低光图像增强的扰动学习

    通过使用 TroubleMaker 学习策略在低光图像增强任务中训练使用正常光图像作为输入的模型，结合 Global Dynamic Convolution 模块，本文提出的方法在公共数据集上取得与最先进方法竞争性的性能。

    Feb, 2024