DarkShot: 用低计算量和高质量照亮暗图像

Dec, 2023

DarkShot: 用低计算量和高质量照亮暗图像

DarkShot: Lighting Dark Images with Low-Compute and High-Quality

Jiazhang Zheng, Lei Li, Qiuping Liao, Cheng Li, Li Li...

TL;DR本文提出了一种轻量级网络，采用 Siamese Self-Attention Block (SSAB) 和 Skip-Channel Attention (SCA) 模块，提高了模型对全局信息的聚合能力，适用于高分辨率图像，并且基于对低光图像恢复过程的分析，提出了一个优于现有方法的二阶段框架，能够在保持最先进的恢复质量的同时，用最少的计算量恢复一张 UHD 4K 分辨率的图像。

Abstract

nighttime photography encounters escalating challenges in extremely low-light conditions, primarily attributable to the ultra-low signal-to-noise ratio. For real-world deployment, a practical solution must not only produce visually appealing results but also require minimal computation

nighttime photography low-light enhancement lightweight network siamese self-attention block two-stage framework

发现论文，激发创造

基于注意力机制的低光图像增强网络

本文提出了一种基于关注机制的神经网络方法，通过通道关注和空间关注模块抑制色差和噪点，以及使用倒置洗牌池化层选择有用信息，实现从原始传感器数据生成高质量的低光图像增强，表现优异，特别是在低光条件下存在严重噪声时。

May, 2020

DarkLighter：无人机跟踪中的光明之光

本文提出了一种名为 DarkLighter 的低光图像增强器，采用轻量级的 ME-Net 网络，用于提高无人机跟踪器在夜间、低光环境下的鲁棒性。实验证明，DarkLighter 的普适性和可靠性很高，并已在典型的 UAV 系统上实现，夜间场景的实际测试表明其实用性和可靠性。

Jul, 2021

快速、灵活、稳健的低光图像增强

本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

Apr, 2022

一种时空对齐的 SUNet 模型用于低光视频增强

我们提出了一种 Swin Transformer 为骨干结构的时空对齐 SUNet（STA-SUNet）模型，用于捕捉低光视频特征并利用它们的时空相关性，通过在新颖统一的 BVI 数据集上进行比较分析，该模型在各个测试数据集上体现出卓越的适应性，获得最高的 PSNR 和 SSIM 值，尤其在极低光条件下效果显著。

Mar, 2024

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

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

语义引导的零样本低光图像 / 视频增强

本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

Oct, 2021

单光子相机光照不足情景推断

本研究提出了基于光子尺度空间的训练技术，通过在低通量图像上训练推理模型，以不同亮度水平的光谱为指导，提高了在极端噪声情况下的鲁棒性，并在单光子相位漂移自由时间测量相机上进行了模拟和实际实验，成功实现了在超低光条件下进行图像分类和单眼深度估计的高性能。

Jul, 2021

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

DARK: 降噪、放大、修复工具箱

该论文引入了一种新颖的轻量级计算框架，利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展，我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度，避免了过度增强和不自然的颜色偏移。关键是，我们的模型被设计成轻量级，确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实，我们的模型不仅在增强低光图像方面超过了现有方法，而且保持了最小的计算占用。

May, 2024