Jan, 2024

括号是你所需的一切：用多曝光图像统一图像恢复和增强任务

PDF
TL;DR在低光环境中获取内容清晰的高质量照片具有挑战性但极为理想。我们提出利用曝光合成摄影来统一恢复和增强任务，通过模拟数据与自适应方法，克服了收集真实场景对方法进行训练的困难。实验结果表明，我们的方法在两个数据集上相对于最先进的多图像处理方法表现出色。
发现论文，激发创造
  • 短暴光和长暴光原始图像对的低光照恢复

    提出了一种使用短曝光和长曝光图像的互补信息进行低光照条件下的图像修复方法，通过模拟低光环境中的成像管道生成的真实短曝光和长曝光原始图像，并使用新的长短曝光融合网络 (LSFNet) 处理低光照图像融合中的问题，包括高噪声、运动模糊、色彩失真和错位，实验结果表明，该方法优于现有的最优方法。

    Jul, 2020

  • 学习一个强化智能体以实现灵活的曝光补偿选择

    提出了一种名为 EBSNet 的深度神经网络，它可以自动选择曝光多次以进行多曝光融合，无需相机响应函数，传感器噪声模型和带有不同曝光的预览图像流。通过从单个自动曝光预览图像中提取的亮度和语义信息，EBSNet 可以选择最佳曝光时间以进行多曝光融合。

    May, 2020

  • 双摄像头联合去模糊去噪

    近期的图像增强方法展示了使用一对长曝光和短曝光图像进行低光摄影的优势。我们提出了一种新颖的双摄像头方法，通过同时使用一个摄像头捕捉一组同步的短曝光图像和另一个摄像头捕捉的长曝光图像，实现了更好的去噪、运动感知去模糊以及进一步提升质量的效果。

    Sep, 2023

  • 一种仿生多曝光融合低光图像增强框架

    该论文设计了一种基于多曝光融合的低光图像增强框架，使用光照估计和相机响应模型来综合多副本图像，并通过融合算法实现了对比度和明度的准确提升。实验表明，该方法较其他现有方法更少引入对比度和亮度失真。

    Nov, 2017

  • 学习增强极暗图像的暴发摄影

    本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

    Jun, 2020

  • 自我监督的动态场景中使用多曝光图像的高动态范围成像

    该研究提出了一种自监督的高动态范围（HDR）重建方法 SelfHDR，该方法仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求，并通过两个互补组件来学习重建网络，分别关注 HDR 颜色和结构。实验结果表明，SelfHDR 在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

    Oct, 2023

  • 多曝光图像融合中紧凑稳健的架构探讨

    本研究提出了一种基于深度学习的图像融合算法，通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上，找到了更加紧凑和高效的网络结构，实现了比较优异的成果。

    May, 2023

  • 高动态范围图像重建的双阶段深度网络

    本研究提出了一种新的两阶段深度网络，旨在通过第一阶段的图像增强任务和第二阶段基于数据样本的色调映射和位扩展，将单次曝光的低动态范围图像映射成高动态范围图像，无需了解相机响应函数（CRF）和曝光设置等硬件信息。实验结果表明，该方法可以在质量和数量上超过现有的低动态范围到高动态范围的工作，并且在真实世界低动态范围图像评估中也能够重建出逼真的 HDR 图像。

    Apr, 2021

  • 曝光扩散：通过一致的低动态范围去噪生成高动态范围图像

    使用多个预训练的低动态范围 (LDR) 图像扩散模型的协同作用生成高动态范围 (HDR) 图像，并引入曝光一致性项将 LDR 图像融合，达到有效的 HDR 结果。

    May, 2024

  • 未知曝光时间下的联合视频多帧插值和去模糊

    本研究旨在有效地处理在未知曝光时间下所拍摄的视频，采取有监督对比学习构建曝光感知表征，使用两个 U-Net 进行运动分析，通过渐进式曝光自适应卷积和运动细化建立视频重建网络。在模拟和实际数据集上的实验表明，该优化方法在联合视频 x8 内插和去模糊任务上具有显着的性能提升，并且在看似不可能的 x16 内插任务上，该方法在 PSNR 方面比现有方法提高了 1.5 dB 以上。

    Mar, 2023