Nov, 2023

CompenHR：高分辨率投影仪的高效全补偿

PDF
TL;DR本研究提出了一种实用的高分辨率投影仪全补偿解决方案，采用基于注意力机制的网格细化网络来提高几何校正质量，并将一种新颖的采样方案整合到端到端的补偿网络中以减轻计算负担，并引入注意力块以保留关键特征，同时构建了一个用于高分辨率投影仪全补偿的基准数据集。在实验中，我们的方法在效率和质量上表现出明显优势。
projector compensationdeep learninggeometric correctionattention-based grid refinement networkbenchmark dataset
发现论文，激发创造
  • CompenNet++：端到端全投影仪补偿

    该研究提出了一种名为 CompenNet ++ 的端到端解决方案，通过联合解决几何和光度失真问题，实现了全投影仪补偿，在实验中显示出明显的优势。

    Aug, 2019

  • 端到端投影仪光度补偿

    本文提出了一个名为 CompenNet 的卷积神经网络，可以通过端到端的学习来解决投影变形失真的问题，并提出了一个新的独立于系统设定的评估方法来验证其性能。实验结果表明，该方法优于现有技术。

    Apr, 2019

  • HDR 视频重建：一种粗到细的网络和一个现实世界基准数据集

    通过粗略的图像对齐和像素混合以及在粗略的 HDR 视频的特征空间中进行更复杂的对齐和时间融合，我们提出了一种基于深度学习的 HDR 视频重建框架，并提出了一个新的 HDR 视频重建数据集和一些优化方法。

    Mar, 2021

  • CEN-HDR：用于实时高动态范围成像的计算效率高的神经网络

    本文提出了一种基于注意力机制和子像素卷积操作的 CEN-HDR 神经网络，以及使用知识蒸馏进行网络压缩的高效训练方案，其在实现高质量获取的同时比现有解决方案更快，并可在实时约束下实际部署。在 Kalantari2017 数据集上，使用 Macbook M1 NPU 实现 33 FPS 的帧速率，得分为 43.04 mu-PSNR。

    Feb, 2023

  • 高动态范围成像技术在饱和补偿下对动态场景的应用

    本文提出了一种新方法，通过将运动对准问题重新制定为简单的亮度调整问题来生成对齐的多曝光特征，并采用粗糙到精细的合并策略和显式饱和度补偿来恢复饱和区域，其中使用自适应的上下文关注重建饱和区域，实验证明我们的方法在定性和定量评估方面优于现有的最先进方法。

    Aug, 2023

  • 利用反射场的神经投影映射

    本文提出利用神经投影映射技术在增强现实应用中实现对投影仪的高分辨率自适应校准和照片级别的光线编辑。通过将虚拟投影纹理与场景参数全微分，可以优化得到所需的外观。此外，本文展示了在材料和场景重建等方面，较传统方法更好的性能。

    Jun, 2023

  • 深度单张图像相机标定的感知度量

    本论文提出使用一个深度卷积神经网络直接推断相机标定参数，其优于各种其他方法，包括最近的基于深度学习的方法，并通过人类感知研究展示其实用性。

    Dec, 2017

  • LAN-HDR: 基于亮度的高动态范围视频重建的对齐网络

    提出一种端到端的 HDR 视频合成框架，使用 HDR 对齐网络进行低动态范围（LDR）帧之间的运动补偿，并在特征空间中融合对齐的特征生成 HDR 帧，避免了基于像素域光流算法的流估计误差，同时通过引入时域损失来增强时序一致性。实验证明，该方法在多个基准测试上表现良好或可与最先进的方法相媲美。

    Aug, 2023

  • 从现实世界的 RAW 图像中高效重建 HDR

    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

  • 快速、轻量级恢复暗图像

    本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

    Nov, 2020