- Dimma:自适应调暗的半监督低光图像增强
利用少量图像对实现与特定相机拍摄的极端光照条件下的场景相符合的卷积混合密度网络,提供控制亮度范围的低光图像增强方法,并使用有条件的 UNet 构架,使研究充分监督的方法具有有竞争力的结果。
- CDAN:用于低光图像增强的卷积稠密注意力引导网络
该研究论文介绍了 Convolutional Dense Attention-guided Network (CDAN) 的工作原理和应用,在低光照条件下通过图像增强技术改善了图片的亮度、对比度和整体感知质量,并证明了其在计算机视觉任务中具 - 低光频域增强
提出一种新颖的残差循环多小波卷积神经网络 R2-MWCNN 用于低光图像增强和降噪,该网络通过多层离散小波变换将输入特征图划分为不同的频率,提出了通道损失函数来更正颜色扭曲,实验证明该方法在量化和定性上优于现有的方法。
- 联合优化图像压缩与低光图像增强
为了在低光图像中同时实现更高的压缩率和更好的增强性能,我们提出了一个新的图像压缩框架,并对低光图像增强进行联合优化。实验结果表明,我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案,在低光图像中实现了显着的 - SCRNet:一种基于 Retinex 结构和空间一致性的低光增强模型
该研究提出了一种新的低光图像增强模型,名为 SCRNet,在渐进式地应用空间一致性的原则下,从通道层面、语义层面和纹理层面三个层次上提高低光图像质量,比现有的最先进方法具有更好的表现。
- CVPR极低光照条件下的人体姿态估计
本文研究了极低光照下的人体姿态估计,通过自主构建专用相机系统并建立包含准确姿态数据的新数据集,并使用新模型和新训练策略,该系统在真实极低光照环境下成功实现了姿态估计。
- 基于视网膜模型的低光照图像恢复方法
本研究探究了使用类脑神经网络模拟人类视网膜模型的可能性,旨在通过模仿各种光学神经元的神经生理原理和动态学,使用简单的神经网络实现低光照图片的无缝恢复。该模型可以节省计算成本,并从主观感知角度产生与复杂深度学习模型相媲美的结果,同时避免了手动 - 学习深度上下文感知分解以实现低光照图像增强
本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构,能够有效增强低光照条件下的图像质量,在各种图像处理和多媒体应用中具有较强的实际应用价值。
- ICCV自适应展开全变差网络用于低光图像增强
该研究提出了一种基于自适应展开全变分网络的噪声估计方法,可以有效增强真实低光景象下的图像,并在实验中展示了其优越性。
- 利用正则化流进行低光照图像增强
本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系,通过一个可逆网络,将低光图像 / 特征作为条件,学习将正常曝光图像的分布映射到高斯分布,从而得以更好地建模正常曝光图像的条件分布,在提高图像亮度、减少噪声和伪影、增强色彩 - 低光人脸检测的重复曝光生成
本文提出了一种名为 REGDet 的新颖的 “检测与增强” 框架,通过有效地抑制不均匀的照明和噪声问题,显著提高了低光弱面部检测性能,并且没有额外的低 / 正常光图像对进行培训。
- 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。
- LIME: 一种低光照图片增强方法
本文提出一种名为 LIME 的方法,通过对低光照图片进行亮度估计和调整来提高其质量,以增强计算机视觉和多媒体算法的性能。实验结果表明,该方法在多个现实场景下具有显著的优势。