- LoLiSRFlow: 跨尺度变换器条件流的联合单图像低光增强与超分辨率
通过提出一种新的网络模型,名为 LoLiSRFLow,该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题,并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。
- 深度混合相机去模糊
提出了一种用于多摄像头智能手机的模糊处理框架,利用混合成像技术,通过同时捕捉来自智能手机的长曝光广角图像和超广角连拍图像,并使用清晰的连拍图像估计模糊核进行广角图像的去模糊处理。使用创建的 HCBlur 数据集进行网络的学习和评估,该数据集 - 探索黑暗:一种在超暗环境中用于高保真度超分辨率的双调制框架
提出了一种针对超暗环境下图像的超分辨率任务的专门双调制学习框架,通过引入自我正则化亮度约束和 Illuminance-Semantic Dual Modulation (ISDM) 组件,以提高光照和颜色细节的特征级保存,并设计了 Reso - 基于双层快速场景适应的低光图像增强
该研究通过统计分析,构建了一种双层学习框架来解决计算机视觉中增强低光场景中的图像的问题,并提出了新的 Retinex 诱导架构。在多个数据集上进行的实验表明,该模型具有良好的适应性和表现优越性。
- 暗光环境下的实例分割
本研究旨在通过采用自适应加权下采样层、基于平滑向量的卷积块和干扰抑制学习等多种技术,抑制低光环境下的特征噪声,从而大幅提高实例分割的准确率。同时,研究人员发现高位深 RAW 图像相比于典型的相机 sRGB 输出可以更好地保留更丰富的场景信息 - 低光图像增强的快速轻量级网络
本研究介绍了 FLW-Net,一种用于低光图像增强的快速轻量级网络,可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果,并进行了比较实验以证明其有效性。
- MM低光原始降噪的学习增强:配对真实数据与噪声建模相遇
通过增加数据容量和降低噪声复杂度的方式,我们提出了一个可学性增强策略来提高低光下图像去噪的性能,该策略包括射击噪声增强(SNA)和黑暗遮蔽校正(DSC)两种高效技术,并在公共数据集和实际成像场景中取得了最先进的性能。
- CVPRGenISP: 低光环境下机器认知的神经 ISP
在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知,它将颜色空间转换明确地融入到独立于设备的颜色空间中,以提高对未见的相机传感器的泛化性,同时与 - 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。
- 基于物理的极低光摄影噪声建模
本文研究了 CMOS 图像传感器成像管线中的噪声统计,并制定了一种全面的噪声模型,以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据,并在多个低光照度去噪数据集上进行的实验表明,使用我们提出的噪声形成模型训练 - 基于 Retinex 启发的展开与合作先验结构搜索方法用于低光图像增强
本文提出了一种新的方法,名为 Retinex-inspired Unrolling with Architecture Search(RUAS),用于构建用于真实世界场景下低光图像的轻量级但有效的增强网络,该方法基于 Retinex 规则, - CVPR低光环境下拍摄的闪光与非闪光图像深度降噪
本文提出了一种基于神经网络的方法,用于去噪在低光环境下拍摄的带和不带闪光灯的图像对,旨在产生高质量的场景呈现,同时保留噪声的无闪光图像的颜色和情绪,同时恢复闪光所揭示的表面纹理和细节。
- ECCV量子图像传感器动态低光成像
本文提出使用 Quanta Image Sensors 进行低光动态场景成像的方法,并给出新的图像重建算法,通过运用一个学生 - 教师训练协议将运动教师和去噪教师的知识传递到学生网络中,实现对低光动态场景进行像素水平下 1 光子每像素每帧的 - ECCV使用量子图像传感器在黑暗中进行图像分类
本文介绍了一种使用 Quanta Image Sensors 对暗光环境下的图像进行分类的解决方案,利用学生 - 教师学习方案可以实现每个像素仅有 1 个或更少光子的情况下的图像分类,实验结果验证了该方法的有效性。
- CVPRL^2UWE: 一种利用局部对比度和多尺度融合来有效增强低光环境下水下图像的框架
本文提出了一种单图像低光度水下图像增强方法,L^2UWE,该方法是基于局部对比信息推导出的大气光照模型,在强调高亮度、显著度和局部对比区域的情况下,通过多尺度融合过程生成两个增强图像,一个突显更细节的细节,另一个侧重于去除黑暗。通过七种评价 - 使用高效数据增强技术进行低光条件下的车道检测:光照条件风格迁移
本文提出利用风格迁移增强低光照条件下车道检测的方法,通过生成低光照图像来提高车道检测器的环境适应性,无需额外标注或推理开销,实验表明该方法在低光照条件下具有适应能力和复杂场景中的鲁棒性。
- 基于颜色注意力网络的低光图像增强
本文提出基于卷积神经网络的针对低光图像的色彩注意力网络(CWAN),学习了从低光到高质图像的端到端映射,并且在低光图像中寻找有用的色彩线索来辅助色彩增强过程,定位这些区域并将 CWAN 的注意力主要集中在综合这些局部区域以及整个全局图像上, - 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。
- 使用新版独家暗黑数据集熟悉低光照图像
本文提供了一个独特的 low-light 图像数据集 Exclusively Dark dataset 及其注释,并分析了低光照度对物体检测任务的影响,发现其影响深入特征中,不能仅靠 “光照不变性” 解决。作者希望这个数据集及分析能够鼓励不 - 深度爆发降噪
本文研究了在低光照条件下使用 burst-capture 拍摄策略,使用基于循环卷积神经网络的智能集成方式进行多帧图像去噪处理。经实验证明,该方法在图像去噪方面具有最优表现,并且也可以用于图像增强和超分辨率处理。