- 博客(377)
- 资源 (33)
- 收藏
- 关注
RSS订阅原创 fd_set
遍历位图时，它需要知道需要检查的最大文件描述符是多少，因此它需要传入。内部使用一个位图来表示文件描述符集，每个位对应一个文件描述符。这四个文件描述符（注意，文件描述符从 0 开始编号）。（即最大文件描述符值+1）来确定要检查的范围。，导致它无法正确监控该文件描述符的状态。这范围的所有文件描述符。
2024-09-12 15:46:51
215
原创 ls -l 查看文件信息
字符设备文件（character device），例如终端或串行端口等设备。：块设备文件（block device），通常用于表示硬盘、光盘等设备。：门文件（door），主要在 Solaris 操作系统中用于进程间通信。：普通文件（regular file），例如文本文件、二进制文件等。：命名管道（named pipe），用于进程间通信。：套接字文件（socket），用于网络通信。：符号链接（symbolic link）。：目录（directory）。
2024-09-12 15:18:31
332
原创 Samba配置共享服务
查看是否将 * - nofile 16384 插入文件尾部 tail -n 5 /etc/security/limits.conf。#在 windows 的运行访问共享,输入用户名。如果看到 rlimit_max信息 ，使用以下设置。#添加 samba 访问用户 输入密码。使用testparm 分析参数设置。修改系统配置文件后生效。
2024-04-24 09:28:11
369
原创 linux常用命令2
因此，这个指令的意思是将远程的 /root/rootfs 目录（位于IP地址为 192.168.1.141 的NFS服务器上）挂载到本地的 /mnt 目录。三组分别表示：第一组表示文件属主的权限，第二组表示属主所在的组用户的权限，第三组表示其他用户的权限。tar -cjvf dir.tar.bz2 dir/ 将dir目录打包成dir.tar.bz2。tar -czvf dir.tar.gz dir/ 将dir目录打包成dir.tar.gz。
2024-04-21 15:26:45
258
原创 FastLLVE: Real-Time Low-Light Video Enhancement withIntensity-Aware Lookup Table
近年来，微光视频增强技术受到了广泛的关注。LLVE的关键要求之一是帧间亮度一致性，这对于保持增强视频的时间相干性至关重要。然而，现有的大多数基于单图像的方法无法解决这一问题，导致增强后的闪烁效果降低了整体质量。此外，基于3D卷积神经网络(CNN)的方法是为视频保持帧间一致性而设计的，计算成本很高，使其不适合实时应用。为了解决这些问题，我们提出了一个名为FastLLVE的高效管道，它利用查找表(LUT)技术有效地保持帧间亮度一致性。具体来说，我们设计了一个可学习的强度感知LUT (IA-LUT)模块，用于自适
2024-01-31 15:34:51
607
原创 SDSD：Seeing Dynamic Scene in the Dark:A High-Quality Video Dataset with Mechatronic Alignment
已经提出了许多方法[34，18，9，6，25，20，4]来通过监督学习增强基于深度神经网络的曝光不足的图像/视频。然而，这些方法不适用于严重的噪声条件。在我们的新数据集上进行了训练，我们的框架在增强曝光不足的视频方面效果良好，即使在极低的光线条件下也是如此。为了评估和证明我们新方法的适用性和稳健性，我们进行了全面的实验，将其与我们构建的数据集和SMID数据集上的一套丰富的最先进的方法进行了比较[4]。最近，基于Retinex的方法[24，8，33，10，2，35]产生了令人印象深刻的低光图像增强效果。
2024-01-29 11:41:44
689
原创 Dancing in the Dark: A Benchmark towards General Low-light VideoEnhancement
因此，现有的低光视频数据集具有一定的限制。此外，我们的数据集的光流远大于DRV[2]和SDSD[20]的光流，这表明我们的视频中有更强或更快的运动，而DRV和SDSD中的视频具有较低的运动活性或是静态的。弱光增强方法的性能受到训练数据集质量的影响,然而由于难以确保在同一场景中捕获的具有不同照明的两个视频具有相同的运动轨迹，因此收集高质量的成对低光视频数据集是具有挑战性的。此外，如果列车集的所有视频都是由具有相同非线性相机响应的相机获得的，这可能导致具有未知相机响应功能的视频中的模型性能严重退化[1]。
2024-01-29 10:53:41
592
原创 DEA-Net: Single image dehazing based ondetail-enhanced convolution and content-guidedattention
摘要——单图像去雾是一个具有挑战性的不适定问题，它从观察到的模糊图像中估计潜在的无雾图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提高模型性能。卷积神经网络（CNN）结构的学习能力仍然没有得到充分的探索。本文提出了一种由细节增强卷积（DEConv）和内容引导注意力（CGA）组成的细节增强注意力块（DEAB），以促进特征学习，提高去雾性能。具体而言，DEConv将先验信息集成到普通卷积层中，以增强表示和泛化能力。然后，通过使用重新参数化技术，将DEConv等效地转换为vanilla卷积，不
2024-01-25 11:20:38
1653
原创 MinFilter(MaxFilter) 快速算法
首先，对于一个多维的数据，都可以逐个维度进行处理。比如说一个图片，也就是二维数据，可以先对每一行进行处理，然后再对每一列进行处理，这样。这个算法的过程大概是这样的：1、首先遍历一行数据中最左边的r*2+1个数据，获取最小值和最小值的位置。然后对左边边界部分的处理，直接赋最小值。2、从r+1位置开始向后遍历，一直到右边界部分。3、遍历的时候，判断上一次获取的最小值索引minIndex，是否在当前位置的领域r以内。如果不在，则遍历当前位置的领域r范围，找出最小值的位置。也可以先与当前位置领域r。
2024-01-19 15:40:48
317
原创 DCANet: Dual Convolutional Neural Network with Attentionfor Image Blind Denoising
然而，对于纹理复杂的图像，很难获得具有高辨别能力的特征[26]。与现有的基于双重CNN的去噪模型（如BRDNet[14]和DualCNN[36]）相比，我们提出的双重网络被设计为拥有更大的感受野，这允许网络捕获更多的上下文信息。已经证实，在双CNN中使用不同的子网络可以提高整个网络的性能，因为两个不同的分支可以学习互补的特征[14，34，35]。受对偶网络结构和注意力机制在图像去噪中的成功启发，本文提出了一种有效的具有注意力机制的对偶CNN用于图像盲去噪，称为DCANet，它可以实现有竞争力的盲去噪性能。
2024-01-14 20:05:48
1087
原创 FBI-Denoiser: Fast Blind Image Denoiser for Poisson-Gaussian Noise
也就是说，该方案将广义Anscombe变换（GAT）[5]、泊松-高斯噪声估计[28，20]和[11]中提出的像素仿射去噪器的MSE的无偏估计进行了独特的组合，以便在没有附加信息的情况下仅在单个噪声图像上训练泊松-高斯噪波的盲去噪器。其次，该方法简单地利用[12]中提出的所谓盲点网络（BSN）架构作为去噪器，但相应的结构相当复杂，需要大的GPU内存，导致推理时间缓慢.为了解决上述限制，我们对BP-AIDE进行了两个显著的改进，并提出了快速盲图像去噪器（FBI去噪器）。表1总结并比较了最近提出的方案的设置。
2024-01-12 21:09:09
646
原创 一种基于视神经网络的高动态范围（HDR）图像自适应局部色调映射的实现
他们降低了基础层的对比度，同时保留了细节层。前三种方法不能很好地保留明亮区域的细节，但我们的方法不仅保留了大量的视觉内容，而且显示出良好的整体外观，这比其他方法有竞争力或更好。尽管可以从不同曝光的照片中获得包含真实场景的全动态范围的高动态范围（HDR）图像[3]，但诸如普通监视器之类的低动态范围（LDR）显示设备不能处理场景的全动力学范围。引导滤波器的半径r和正则化参数ε的值与减少光晕伪影和保持局部对比度保持平衡，非线性控制参数λ的值确保了对场景内容的适当考虑，对比度控制参数η的值提供了适当的整体对比度。
2024-01-10 15:51:22
1275
原创 Double Domain Guided Real-Time Low-LightImage Enhancement for Ultra-High-DefinitionTransportation
此外，特征映射具有相似的结构，例如相同的大小(宽度和高度)和强度范围([0,255])，允许ScCAM同时有效地提取和增强梯度域和颜色域的空间特征。值得注意的是，在训练过程中，增强的梯度图和颜色图由各自的解码器生成，解码器受到单个损失函数的约束，以保证梯度和颜色信息的恢复，如第III-D节所述。然而，当成像设备在弱光环境下工作时，获取的图像往往清晰度差，对比度低，效果不佳,较差的成像质量使得捕获的场景难以清晰地看到，给更高层次的图像分析带来了很大的挑战，如目标检测[2]-[4]和场景分割[5]-[7]。
2024-01-06 18:23:49
1107
原创 EMBEDDING FOURIER FOR ULTRA-HIGH-DEFINITIONLOW-LIGHT IMAGE ENHANCEMENT
不同的是，在傅里叶分支中，利用从LRNet获得的细化幅度Ar特征，我们使用空间特征变换(SFT) (Wang et al.， 2018)通过简单的仿射变换来调制输入xpu的幅度特征。注意，由于相位的周期性，我们不能调制相位。特别地，我们的方法，命名为uhd4，是由我们在低光噪声图像的傅里叶域中观察到的两个有趣现象所激发的:i)亮度和噪声可以在傅里叶域中进行一定程度的分解。此外，不同分辨率图像的振幅模式是相似的，这促使我们首先在低分辨率区域进行处理，只在高分辨率区域进行必要的调整，从而节省计算。
2024-01-06 15:55:05
596
原创 何凯明：Single Image Haze Removal Using Dark Channel Prior
参考：在本文中，我们提出了一种简单但有效的图像先验-暗通道先验，用它可以从单个输入图像中去除雾。暗通道先验从无雾室外图像进行的统计所得。这是基于一个关键的观察：没有雾的室外图像中，大多数局部块包含一些像素，它们至少有一个颜色通道值非常低。使用此先验和雾成像模型，我们可以直接估计雾的厚度，并恢复成高质量的无雾的图像。对各种室外雾霾图像的结果证明了，我们提出的这个先验的威力。此外，去雾的同时还可以获得高质量深度图。
2023-12-26 16:20:21
1906
原创 Global Structure-Aware Diffusion Process for Low-Light Image Enhancement
最近，基于扩散的生成模型[34]在去噪扩散概率模型（DDPM）[7, 24]的进展中取得了惊人的成果，使其在低层次视觉任务中越来越有影响力，比如图像超分辨率[9, 32]、图像修复[30, 19]、图像去雨[26]和图像去模糊[46]。近年来，由于强大的表征能力和庞大的数据集，出现了大量基于深度学习的方法[53, 54, 63, 5, 21, 64, 43, 51, 40, 65]，通过学习低光和正常光图像之间的映射，显著提升了低光增强的性能。在数学上，在低光条件下捕获的图像的劣化可以建模为。
2023-12-22 22:09:42
1082
原创 Abandoning the Bayer-Filter to See in the Dark
为了训练卷积网络，我们提出了一个具有单色和彩色原始对的数据集，称为单色原始配对数据集（MCR），该数据集是通过使用不带拜耳滤波器的单色相机和带有拜耳滤波器的彩色相机收集的。（g） -（k）是在SID[3]数据集上训练的管道的图像，我们将SID数据集中的RGB地面实况（GT）转换为灰色图像，以取代我们数据集中的单色GT。这些方法可分为直方图均衡（HE）方法[1，15，29]、Retinex方法[5，26，28，33]、去雾模型方法[4]、统计方法[16，17，23]和机器学习方法[7，11，30，34]。
2023-12-21 22:51:08
713
原创 Learning to Enhance Low-Light Imagevia Zero-Reference Deep Curve Estimation
基于零参考深曲线估计的微光图像增强学习本文提出了一种新的方法，零参考深度曲线估计（Zero DCE），该方法将光增强定义为使用深度网络进行图像特定曲线估计的任务。我们的方法训练一个轻量级的深度网络DCE-Net，以估计给定图像的动态范围调整的逐像素和高阶曲线。曲线估计是专门设计的，考虑了像素值范围、单调性和可微性。Zero DCE在其对参考图像的宽松假设中很有吸引力，即在训练过程中不需要任何成对甚至不成对的数据。这是通过一组精心制定的非参考损失函数来实现的，这些函数隐含地测量增强质量并驱动网络的学习。尽管它
2023-12-20 15:59:05
818
原创 使用深度学习的微光图像和视频增强：综述
1INTRODUCTION微光图像增强（LLIE）旨在提高在光照较差的环境中捕获的图像的感知或可解释性。该领域的最新进展主要是基于深度学习的解决方案，其中采用了许多学习策略、网络结构、损失函数、训练数据等。在本文中，我们提供了一个全面的调查，涵盖了从算法分类到未解决的开放问题的各个方面。为了检验现有方法的通用性，我们提出了一个低光图像和视频数据集，其中图像和视频由不同的手机摄像头在不同的照明条件下拍摄。此外，我们首次提供了一个统一的在线平台，涵盖了许多流行的LLIE方法，其中的结果可以通过用户友好的网络界面
2023-12-19 17:17:22
2003
原创 Learning a Simple Low-light Image Enhancer from Paired Low-light Instances
为了校正对比度、揭示纹理和去除传感器噪声，在过去的几十年里，人们在开发微光图像增强（LIE）算法方面付出了巨大的努力[1，5，6，8，28，35]。因此，在较少的先验约束和更简单的网络的情况下，所提出的PairLIE在公共LIE数据集中实现了具有竞争力的性能。在公共数据集上进行的大量实验表明，与最先进的方法相比，所提出的PairLIE具有更简单的网络和更少的手工先验，实现了相当的性能。在本文中，我们不是从单个图像中利用手工制作的L和R的先验，而是应用成对的微光图像以数据驱动的方式自动学习自适应先验。
2023-12-18 09:43:49
904
原创 Learning Semantic-Aware Knowledge Guidance forLow-Light Image Enhancement
微光图像增强（LLIE）研究如何提高照明并生成正常光图像。现有的大多数方法都是通过全局和统一的方式来改善低光图像，而不考虑不同区域的语义信息。如果没有语义先验，网络可能很容易偏离区域的原始颜色。为了解决这个问题，我们提出了一种新的语义感知知识引导框架（SKF），该框架可以帮助弱光增强模型学习封装在语义分割模型中的丰富多样的先验。我们专注于从三个关键方面整合语义知识：一个语义感知嵌入模块，它在特征表示空间中明智地集成了语义先验，一个语义引导的颜色直方图损失，它保持了各种实例的颜色一致性，以及一个语义导导的对抗
2023-12-17 23:00:49
445
原创 Curricular Contrastive Regularization for Physics-aware Single Image Dehazing
随着大型雾度数据集[28]的出现，数据驱动的方法[8，17，30，33]得到了快速发展。首先，在单负样本情况下（行（b）-（d）），有趣的发现是，使用难样本作为负样本的性能最佳，相比其他两种设置效果更好，而使用超难负样本甚至比基线还差。为了改进这一点，提出了一种新的对比正则化方法，利用了更接近正样本的负样本信息，这些负样本包括原始有雾图像以及其他现有方法生成的还原图像。受我们分析的启发，该分析表明共识负样本的难度会影响正则化的有效性，因此我们提出了一种课程学习策略，来安排这些负样本，以减少学习中的歧义。
2023-12-16 14:37:10
1077
原创 Local Color Distributions Prior for ImageEnhancement
图1：给定同时具有过曝光（背景窗口）和欠曝光（前景人物）的输入图像（a），现有方法不能很好地处理这两个问题。虽然（b）在背景上表现更好，但前景仅略微变亮。尽管（c）在前景上表现更好，但背景仍然被过度曝光。（d） 使前景略微变亮，但使背景进一步过度暴露。相反，我们的方法（e）基于学习局部颜色分布，可以很好地处理这两个问题。窗帘的纹理和衣服的花纹都看得很清楚。 现有的图像增强方法通常被设计为解决输入图像中曝光过度或曝光不足的问题。当输入图像的照明同时包含曝光过度和曝光不足问题时，这些现有方法可能不能很好地工作。
2023-12-13 12:02:40
275
原创 R2RNet: Low-light Image Enhancement viaReal-low to Real-normal Network
本研究针对在弱光条件下拍摄的图像可能严重降低图像质量的问题进行了探索。解决一系列低光图像的退化可以有效提高图像的视觉质量和高级视觉任务的性能。在本研究中，我们提出了一种新颖的基于Retinex的真实低光到真实正常光网络（R2RNet），用于低光图像增强，其中包括三个子网络：分解网络（Decom-Net）、去噪网络（Denoise-Net）和重照网络（Relight-Net）。这三个子网络分别用于图像分解、去噪、对比度增强和细节保护。我们的R2RNet不仅利用图像的空间信息来提高对比度，还利用频率信息来保护细
2023-12-11 11:35:23
495
原创 Implicit Neural Representation for Cooperative Low-light Image Enhancement
在过去几年中，已经提出了大量算法来解决这个经典的不适定问题，大致可分为两类：传统基于模型的方法（例如，直方图均衡化 [31]，伽马校正 [29]，Retinex模型 [30] 和锐化掩模算法 [7]）以及最近的基于深度学习的方法 [22, 51, 16, 44]。它以无监督的方式稳健地恢复感知友好的结果。此外，Zhou等人[52]开发了软提示来取代手工设计的提示，使用可学习的向量来建模上下文词汇，并获得与任务相关的语境。借助其高效的视觉-语言先验知识，我们的方法学习了多样的特征，导致了感知上更好的结果。
2023-12-07 20:00:04
414
原创 Towards High-Quality and Efficient Video Super-Resolution via
code:coulsonlee/STDO-CVPR2023: [CVPR2023] Towards High-Quality and Efficient Video Super-Resolution via Spatial-Temporal Data Overfitting (github.com)随着深度卷积神经网络（DNN）在计算机视觉的各个领域得到广泛应用，利用DNN的过拟合能力实现视频分辨率的提升已成为现代视频传输系统的新趋势。通过将视频划分为块，并用超分辨率模型对每个块进行过拟合，服务器在将视频传
2023-12-07 11:35:54
246
原创 4K-Resolution Photo Exposure Correction at 125 FPS with ~8K Parameters
错误的曝光照片的校正已经被广泛使用深度卷积神经网络或Transformer进行广泛修正。尽管这些方法具有令人鼓舞的表现，但它们通常在高分辨率照片上具有大量的参数数量和沉重的计算浮点运算（FLOPs）。在本文中，作者提出了一个极轻量级（仅有约8K参数）的多尺度线性变换（MSLT）网络，该网络采用多层感知架构，可以在125帧每秒（FPS）的速度下，使用泰坦RTX GPU处理4K分辨率sRGB图像。
2023-12-04 22:08:53
192
雷霄骅——FFmpeg视频解码器
2021-12-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人