CVPRApr, 2024

低光增强的镜面分解

PDF
TL;DR我们提出了一种新的加法图像因子分解技术，通过在分解过程中调制稀疏性来估计由多个潜在的镜面成分组成的图像。我们的基于模型驱动的 RSFNet 通过将优化展开为网络层来估计这些因子，只需要学习少量的标量。由设计可解释的结果因子可以通过网络进行不同的图像增强任务融合，也可以由用户以可控的方式直接组合。基于 RSFNet，我们详细介绍了一个无需成对或非成对监督训练的零参考低光照增强（LLE）应用。我们的系统在标准基准测试上改善了最先进的性能，并在多个其他数据集上实现了更好的泛化性能。我们还将我们的因子与其他任务特定的融合网络集成，用于去雨、去模糊和去雾等应用，几乎没有额外开销，从而彰显了我们提出的 RSFNet 在多领域和多任务上的泛化能力。项目主页上发布了代码和数据，以便复现。
发现论文，激发创造
  • NeRFactor: 在未知光照情况下进行形状和反射的神经因子分解

    通过 NeRFactor 方法，通过多视图图像恢复物体的形状和空间变化的反射率，从而实现在任意环境光照下呈现物体的新视图和编辑物体材料属性。

    Jun, 2021

  • 可能具有光泽物体的表面、照明和材料的重建 —— 基于因子的神经场景解释

    该研究提出一种逆向渲染方法，通过多视角图像恢复场景的表面、材质和光照，可以处理具有光泽物体或亮光照明场景，无需使用附加数据，三个阶段的方法通过漫反射和镜面颜色考虑复杂视角依赖光照效果对表面重构，该方法在不依赖任何附加数据的情况下，优于当前状态下表面材质和光照恢复的最佳方法。

    May, 2023

  • SfSNet: 野外人脸形状、反射率和照明学习

    SfSNet 是一个人脸图像分解的端到端学习框架，通过混合合成标签和未标记真实世界图像进行学习，可以预测照明，从而实现形状、反射率和光照的精确分解。

    Dec, 2017

  • 基于深度排列几何嵌入和结构一致性正则化的光场空间超分辨率

    本文提出一种基于学习的轻场景图像空间超分辨率框架，在每个轻场景图像视角学习探索不同的信息，并通过正则化网络结构来确保场景的正确视差关系，实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB，而且以更低的计算成本保持了更准确的视差细节。

    Apr, 2020

  • R2RNet: 实低到实标网络的低光图像增强

    本文提出了一种新的基于 Retinex 的深度学习网络，用于低光条件下的图像增强。该网络包含三个子网络：Decom-Net，Denoise-Net 和 Relight-Net。我们的模型使用了来自图像的空间信息和频率信息，可以在低光条件下取得更鲁棒的结果，并且在高级视觉任务方面具有显著的改善表现。我们还提出了一个大规模真实世界数据集（LSRW 数据集），用于训练模型，展示模型在真实世界场景中具有更好的泛化能力。经过广泛的实验，我们的方法在定量和视觉方面都表现出优于现有状态 - of-the-art 的结果。

    Jun, 2021

  • 通过自监督表示实现任意分辨率的高光谱与多光谱图像融合

    通过融合低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI），提出了一种连续低秩分解（CLoRF）方法，通过将两种神经表示集成到矩阵分解中，分别捕捉空间和光谱信息，实现了低秩和连续性的自监督学习，在实验中显著超过现有技术，并实现了用户期望的分辨率提升，无需神经网络重新训练。

    May, 2024

  • 基于 Retinex 分解的零样本增强低光图像

    本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真实低光数据集和高级视觉任务上的有效验证，与当前最先进的方法相比具有竞争力的性能。其中，代码可在链接中获取。

    Nov, 2023

  • LFSRDiff：基于扩散模型的光场图像超分辨率

    通过引入 LFSRDiff，首个基于扩散的光场图像超分模型，将 LF 解缠机制与扩散模型相结合，实现了在 LF 图像中更有效地提取和融合空间和角度信息，产生了多样且逼真的超分辨结果，尤其在感知度量方面表现出较高的水平。

    Nov, 2023

  • 基于物理信息的合奏表现形式用于光场图像超分辨率

    本文提出了一种通过分析光场图像超分辨率嵌入的几何关系并引入虚拟狭缝图像（VSI）的新 LF 子空间来提高效率的方法，并且使用超采样和 EPIXformer 几何感知译码器对低分辨率 LF 数据进行超分辨率重建，实验结果表明该方法在各种差异处理方面优于其他现有方法。

    May, 2023

  • 低光照增强的深度 Retinex 分解

    该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

    Aug, 2018