推荐使用：Exposure_Correction-pytorch——图片光照修复利器

于 2024-08-08 07:58:41 发布
阅读量436 收藏 8
点赞数 13
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gitblog_00023/article/details/141012351
版权

推荐使用：Exposure_Correction-pytorch——图片光照修复利器

Exposure_Correction-pytorchCVPR2021 Learning Multi-Scale Photo Exposure Correction论文的非官方pytorch代码项目地址:https://gitcode.com/gh_mirrors/ex/Exposure_Correction-pytorch

项目介绍

近期发现一款令人兴奋的技术宝藏——Exposure_Correction-pytorch。这是基于CVPR 2021的一篇论文《Learning Multi-Scale Photo Exposure Correction》的非官方PyTorch重制版。原作者Mahmoud Nafifi以MATLAB实现了这一创新算法，但考虑到Python生态下的开发需求和便捷性，该项目使用了广受欢迎且功能强大的PyTorch框架进行重构，更贴合现代AI开发者的工作流。

技术分析

重构亮点

  • 深度学习框架切换：从MATLAB转换至PyTorch，不仅优化了代码可读性和维护性，还提升了跨平台兼容性和GPU加速性能。

  • Bilateral Guided Upsampling (BGU)：虽然简化版采用普通上采样获得PSNR 19.756、SSIM 0.749的良好效果，但在引入BGU技术后，指标进一步提升至PSNR 20.313、SSIM 0.863，展示了BGU在图像增强上的显著作用。

结构明晰

清晰的目录结构使得项目易于理解和使用：

Exposure_Correction-pytorch
├── MultiExposure_dataset    // 数据集存放处
├── log                     // 日志文件
├── run-out                 // 运行输出
├── tools                   // 工具脚本
├── snapshots               // 模型快照
│   └── MSPECnet_woadv.pth  // 训练好的权重文件

应用场景

  • 摄影后期：专业摄影师或爱好者可以通过自动曝光校正提高照片质量，使作品更加出色。

  • 视频制作：改善视频中每一帧的光线平衡，实现视觉统一和谐。

  • 智能设备集成：嵌入式设备如手机相机可通过实时光照调整提供更佳成像体验。

特点概览

  • 高精度修复：无论是在标准评估还是特殊处理下，均能展现出色的表现力。

  • 易用性：详细的指导文档让即使是新手也能快速上手，并提供了预训练模型供即刻试用。

  • 灵活性：支持对抗损失选项，满足不同场景和偏好设定的需求。

  • 社区资源：活跃的GitHub社区和详细的联系信息（邮箱：2443976970@qq.com），确保及时获取帮助和技术交流。

综上所述，Exposure_Correction-pytorch不仅是一款功能强大、易于部署的图像曝光矫正工具，也是深入研究图像处理领域、扩展专业知识的好助手。无论是个人创作还是商业应用，它都能为你带来非凡价值。快来尝试吧，让我们一起探索图像世界的新可能！

注：以上推荐完全基于项目本身优势和潜在价值，旨在促进技术共享与进步。

Exposure_Correction-pytorchCVPR2021 Learning Multi-Scale Photo Exposure Correction论文的非官方pytorch代码项目地址:https://gitcode.com/gh_mirrors/ex/Exposure_Correction-pytorch

农爱宜
关注
  • 13
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
深度学习论文: Data-Free Quantization Through Weight Equalization and Bias Correction及其PyTorch实现
mingo_敏
10-20 1493
Data-Free Quantization Through Weight Equalization and Bias Correction PDF:https://openaccess.thecvf.com/content_ICCV_2019/papers/Nagel_Data-Free_Quantization_Through_Weight_Equalization_and_Bias_Correction_ICCV_2019_paper.pdf PyTorch: https://github.com/s
探索图像光影修正：Exposure_Correction-pytorch 开源项目详解
gitblog_00082的博客
06-25 310
探索图像光影修正：Exposure_Correction-pytorch 开源项目详解 项目地址:https://gitcode.com/LZ-CH/Exposure_Correction-pytorch 在这个数字摄影盛行的时代，我们常常会遇到由于曝光不足或过度导致的照片质量问题。Exposure_Correction-pytorch 是一个旨在解决这一问题的开源项目，它实现了 CVPR2021...
Exposure_Correction-pytorch项目安装与使用指南
最新发布
gitblog_00768的博客
08-08 347
Exposure_Correction-pytorch项目安装与使用指南 Exposure_Correction-pytorchCVPR2021 Learning Multi-Scale Photo Exposure Correction论文的非官方pytorch代码项目地址:https://gitcode.com/gh_mirrors/ex/Exposure_Correction-pytorc...
论文学习笔记: Learning Multi-Scale Photo Exposure Correction(含pytorch代码复现)
weixin_45937009的博客
05-19 2433
Learning Multi-Scale Photo Exposure Correction 本章工作: 作为Learning Multi-Scale Photo Exposure Correction.论文的简要学习笔记 鉴于官方代码为Matlab代码，因此本人采用pytorch框架将其进行了复现了一下，并将其放在个人github网址上进行了开源(ps: 如果觉得此工作不错的话，希望能给个starred收藏，嘻嘻)。 论文摘要 本论文任务旨在图像曝光矫正(包括曝光不足及过曝光.) 将曝光矫正问题拆分
用一个网络实现曝光不足和曝光过度的曝光修正：Learning Multi-Scale Photo Exposure Correction
u014546828的博客
01-18 4861
本文是第一个对欠曝光和过曝光用同一个网络实现校准的方法。个人认为本文最大的贡献是：1. 本文不是做图像增强，而是曝光错误进行修正。2. 提供了一个全新的、曝光时间范围更广的数据集。
基于双光照估计的曝光校正: Dual Illumination Estimation for Robust Exposure Correction
u014546828的博客
01-18 2856
Dual Illumination Estimation for Robust Exposure Correction [pdf] Abstract Exposure correction is one of the fundamental tasks in image processing and computational photography. While various methods have been proposed, they either fail to produce
Learning Multi-Scale Photo Exposure Correction阅读札记
weixin_43101257的博客
04-13 1584
学习多尺度图像曝光校正
ubifs烧写遇到《UBI error: ubi_io_read: error -1 while reading 64 bytes from PEB》
none
09-03 5764
终于移植好了2.6.39的内核，烧写ubi文件系统后，第一次打印到/init初始化了，虽然oops了，但还是感觉离最后的成功越来越近了。 可是，偶然断电重启发现，debug口打印却和第一次不一样了，在attach mtd的时候，内核已经开始打印了一些错误，如下 3 cmdlinepart partitions found on MTD device atmel_nand Creating
LLMs之Colossal-LLaMA-2：Colossal-LLaMA-2的简介(基于LLaMA-2架构+中文优化+扩充词表+仅千美元成本)、安装、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
09-27 3828
​ LLM之Colossal-LLaMA-2：Colossal-LLaMA-2的简介、安装、使用方法之详细攻略 目录 Colossal-LLaMA-2的简介 Colossal-LLaMA-2的安装 Colossal-LLaMA-2的使用方法 Colossal-LLaMA-2的简介 2023年9月25日，Colossal-AI团队推出了开源模型Colossal-LLaMA-2-7B-base。这个模型是LLaMA-2的一个衍生版本，
[毕业设计]VB+ACCESS高校班级日常管理系统(源代码+论文).zip
08-07
[毕业设计]VB+ACCESS高校班级日常管理系统(源代码+论文)
基于Misty1算法的加密软件(JAVA)的实现模块项目(源代码+论文).zip
08-07
JAVA; 毕业设计；MVC模式; JSP; SQL Server 2000 数据库管理系统; J2EE
py源码实例自动办公用Python在Excel中查找并替换数据
08-07
python，py源码实例自动办公用Python在Excel中查找并替换数据
Rust语言的环境搭建
08-07
Rust语言的环境搭建，安装最新版的 Rust 编译工具和 Visual Studio Code。
架构规划方法.pptx
08-07
架构规划方法.pptx
K-means聚类算法聚类算法
08-07
K-means聚类算法是一种典型的无监督机器学习算法，主要用于数据聚类。它的目标是将相似的数据点归到同一个簇中，而将不相似的数据点归到不同的簇中。
阳光酒店管理系统项目模块(javaapplet+SQL).zip
08-07
阳光酒店管理系统项目模块(javaapplet+SQL)
《嵌入式操作系统内核调度》一书的源码。本书不是讲解操作系统如何使用，而是使用汇编和C语言从无到有实现操作系统的多个功能。.zip
08-07
优质项目，资源经过严格测试可直接运行成功且功能正常的情况才上传，可轻松copy复刻，拿到资料包后可轻松复现出一样的项目。 本人系统开发经验充足，有任何使用问题欢迎随时与我联系，我会及时为你解惑，提供帮助。 【资源内容】：包含完整源码+工程文件+说明（若有），项目具体内容可查看下方的资源详情。 【附带帮助】： 若还需要相关开发工具、学习资料等，我会提供帮助，提供资料，鼓励学习进步。 【本人专注计算机领域】： 有任何使用问题欢迎随时与我联系，我会及时解答，第一时间为你提供帮助，CSDN博客端可私信，为你解惑，欢迎交流。 【适合场景】： 相关项目设计中，皆可应用在项目开发、毕业设计、课程设计、期末/期中/大作业、工程实训、大创等学科竞赛比赛、初期项目立项、学习/练手等方面中 可借鉴此优质项目实现复刻，也可以基于此项目进行扩展来开发出更多功能 【无积分此资源可联系获取】 # 注意 1. 本资源仅用于开源学习和技术交流。不可商用等，一切后果由使用者承担。 2. 部分字体以及插图等来自网络，若是侵权请联系删除。积分/付费仅作为资源整理辛苦费用。
优秀班组长的角色定位.pptx
08-07
优秀班组长的角色定位.pptx
// TODO(eladalon): Consider using packet.recovered() to avoid processing // recovered packets here. std::unique_ptr<ForwardErrorCorrection::ReceivedPacket> FlexfecReceiver::AddReceivedPacket(const RtpPacketReceived& packet) { RTC_DCHECK_RUN_ON(&sequence_checker_); // RTP packets with a full base header (12 bytes), but without payload, // could conceivably be useful in the decoding. Therefore we check // with a non-strict inequality here. RTC_DCHECK_GE(packet.size(), kRtpHeaderSize); // Demultiplex based on SSRC, and insert into erasure code decoder. std::unique_ptr<ForwardErrorCorrection::ReceivedPacket> received_packet( new ForwardErrorCorrection::ReceivedPacket()); received_packet->seq_num = packet.SequenceNumber(); received_packet->ssrc = packet.Ssrc(); if (received_packet->ssrc == ssrc_) { // This is a FlexFEC packet. if (packet.payload_size() < kMinFlexfecHeaderSize) { RTC_LOG(LS_WARNING) << "Truncated FlexFEC packet, discarding."; return nullptr; } received_packet->is_fec = true; ++packet_counter_.num_fec_packets; // Insert packet payload into erasure code. received_packet->pkt = rtc::scoped_refptr<ForwardErrorCorrection::Packet>( new ForwardErrorCorrection::Packet()); received_packet->pkt->data = packet.Buffer().Slice(packet.headers_size(), packet.payload_size()); } else { // This is a media packet, or a FlexFEC packet belonging to some // other FlexFEC stream. if (received_packet->ssrc != protected_media_ssrc_) { return nullptr; } received_packet->is_fec = false; // Insert entire packet into erasure code. // Create a copy and fill with zeros all mutable extensions. received_packet->pkt = rtc::scoped_refptr<ForwardErrorCorrection::Packet>( new ForwardErrorCorrection::Packet()); RtpPacketReceived packet_copy(packet); packet_copy.ZeroMutableExtensions(); received_packet->pkt->data = packet_copy.Buffer(); } ++packet_counter_.num_packets; return received_packet; }
07-22
这段代码是一个FlexfecReceiver类的AddReceivedPacket函数的实现。该函数用于接收RTP数据包，并将其添加到前向纠错（Forward Error Correction）解码器中进行处理。 函数首先通过检查数据包的大小来确保具有有效的RTP头部。然后，根据数据包的SSRC（Synchronization Source）进行分流，并将其插入到前向纠错解码器中。 如果SSRC与当前接收器的SSRC相匹配，则表示这是一个FlexFEC（Flexible Forward Error Correction）数据包。函数会检查数据包的大小是否满足最小FlexFEC头部大小的要求，如果不满足，则将其丢弃并返回空指针。然后，将数据包的有效负载插入到前向纠错解码器中。 如果SSRC不匹配当前接收器的SSRC，则表示这是一个媒体数据包或属于其他FlexFEC流的FlexFEC数据包。函数会检查SSRC是否与受保护的媒体SSRC相匹配，如果不匹配，则返回空指针。然后，将整个数据包插入到前向纠错解码器中，并创建一个副本并将可变扩展填充为零。 最后，函数会更新数据包计数器，并返回一个指向已接收数据包的唯一指针。 注意：这段代码使用了一些特定于实现的库和类型，因此可能无法直接运行。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

农爱宜

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值