Learning to See in the Dark

最新推荐文章于 2024-08-09 08:25:53 发布
最新推荐文章于 2024-08-09 08:25:53 发布
阅读量2k 收藏 6
点赞数 1
分类专栏： deeplearning
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/hiudawn/article/details/80869108
版权

Learning to See in the Dark

ref：http://web.engr.illinois.edu/~cchen156/SID.html

这里写图片描述

介绍

去噪、去模糊都有，不过在低光照下还是比较难的。高ISO可以提亮，但也会放大噪声。直接缩放或者拉伸直方图，也有一定效果，不过并不能弥补光子不足的缺陷。增加曝光时间，如果移动了会变模糊。这篇文章就是喜欢严重缺少亮度的低光照条件，最好曝光时间还短。传统的去噪方法不行，拍一系列暗图也不行，这些在极低光照条件下基本都会失效。

本文采用的是数据驱动的方法，设计了一个深度神经网络，能实现颜色转换、去马赛克、减少噪声和图像增强。这种端到端的设计能减少噪声的放大和误差的积累。这篇文章提到以往大家做低光照的研究都是用的合成图像，或者没有ground truth的低光照，因此他们就收集了一些与低光照对应的清晰图像（可作为benchmark）。

相关工作：

去噪：全变分、小波域变换、稀疏编码、核范数最小化、BM3D（光滑、稀疏、低秩、自适应）。缺点：数据集一般都是合成的。一般认为BM3D在真实图片的表现结果比大部分其他算法好（Benchmarking denoising algorithm

最低0.47元/天 解锁文章
hiudawn
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
learning to see in the dark
06-03
a paper about photo processing in very dark environment.
Learn to See in the Dark 论文解读
热门推荐
linchunmian的博客
05-12 1万+
整理下最近一篇论文的学习笔记。这是由UIUC的陈晨和Intel Labs的陈启峰、许佳、Vladlen Koltun 合作提出的一种在黑暗中也能快速、清晰的成像系统，让机器“看破”黑暗。以下是论文的主要部分。摘要在暗光条件下，受到低信噪比和低亮度的影响，图片的质量会受到很大的影响。此外，低曝光率的照片会出现很多噪声，而长曝光时间会让照片变得模糊、不真实。目前，很多关于去噪、去模糊、图像增强等技术的...
探索暗夜视界：Learning-to-See-in-the-Dark 开源项目详解
最新发布
gitblog_00598的博客
08-09 617
探索暗夜视界：Learning-to-See-in-the-Dark 开源项目详解 Learning-to-See-in-the-DarkLearning to See in the Dark. CVPR 2018项目地址:https://gitcode.com/gh_mirrors/le/Learning-to-See-in-the-Dark 在现代摄影领域中，低光照条件下的拍摄一直是一个挑战...
论文解读：Learning to see in the dark
weixin_42708957的博客
07-17 858
论文下载地址：https://arxiv.org/abs/1805.01934 论文github     ：https://github.com/cchen156/Learning-to-See-in-the-Dark 简要介绍：提出了一种基于全卷积神经网络的端到端的处理极限低光图像的网络结构。 输入：短曝光（0.1,0.04,0.033）的传感器数据（raw） Label：对应的长曝光（...
Learning-to-See-in-the-Dark-master.zip
09-02
《暗光视觉：CVPR 2018论文“Learning to See in the Dark”的深度学习实践》 在当今的计算机视觉领域，低光照环境下的图像处理一直是挑战之一。"Learning to See in the Dark"是2018年CVPR（计算机视觉与模式识别...
【低光图像增强】Learning to See in the Dark
sinat_36197913的博客
11-02 4238
Learning to See in the DarkAbstractIntroduction Abstract 低光图像增强面临的问题：可用的数据集少；低光图像的信噪比低；短曝光图像噪声多，长曝光图像会比较模糊，不真实。 针对这些问题：提出了一个短曝光低光raw图像数据集，对应长曝光的参考图像；使用这个数据集提出了一个低光图像处理全卷积网络，输入是raw图像，省去了传统的isp流程。 Introduction ...
论文笔记：Learning to See in the Dark
zbwgycm的博客
07-12 5333
Introduction 在极低照度环境下，使用短曝光拍照会存在大量噪声和偏色问题，而使用长曝光拍照会造成图像模糊。文章提出了一种低光照图像质量提升的方法。其利用端到端的全卷积网络代替传统图像后处理链路，可直接将传感器RAW数据处理得到可视化的彩色图像。文章主要贡献在于： 提出了一种端到端的方法提升极低光照图像的图像质量，主要解决噪声和偏色问题； 建立低光照图像库，以短曝光图像与其对...
learning to see in the dark: 弱光场景下基于相机底层信号的图像处理
MrCharles在CSDN
05-19 751
Chen, C., Chen, Q., Xu, J., & Koltun, V. (2018). Learning to see in the dark. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3291-3300). 针对以往的黑暗条件下图像处理的一些挑战，特别是短曝光的图像没有对应的ground truth的问题，该文提出了一个数据集，有一些列的短曝光的图像，同时.
Learning-to-See-in-the-Dark-master_Dark_treeview_
09-29
Java中的look in dark
「Deep Learning」Note on Learning to See in the Dark
小锋子Shawn
06-10 433
Sina Weibo：小锋子Shawn Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/80641596 [1] Learning to See in the Dark CVPR 2018 [paper]
在黑暗中看见：探索Learning-to-See-in-the-Dark项目
gitblog_00019的博客
03-21 538
在黑暗中看见：探索Learning-to-See-in-the-Dark项目 Learning-to-See-in-the-DarkLearning to See in the Dark. CVPR 2018项目地址:https://gitcode.com/gh_mirrors/le/Learning-to-See-in-the-Dark 是一个开源项目，由陈晨（cchen156）创建并维护，它...
论文阅读笔记：《Learning to See in the Dark》
HuanCaoO的博客
05-20 1385
Learning to See in the Dark 一、作者 Chen Chen - UIUC Qifeng Chen - Intel Labs Jia Xu - Intel Labs Vladlen Koltun - Intel Labs 二、相关术语 ISO 感光度 衡量底片对于光的灵敏程度，由敏感度测量学及测量数个...
Learning to See in the Dark阅读札记
weixin_43101257的博客
03-27 3967
Learning to see in the dark
Learning to See in the Dark论文阅读笔记
u013517182的博客
02-27 675
这是一篇图像增强的论文，作者创建了一个数据集合，和以往的问题不同，作者的创建的see in the dark（SID）数据集合是在极其暗的光照下拍摄的，这个点可以作为一个很大的contribution 实际上我认为作者实际上是做了三个工作，以及图像去马赛克（demosaic）,图像增强（enhancement）和图像去噪（denoise） denoise 作者在introduction中...
评论 3
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
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