文章链接:https://arxiv.org/pdf/1805.01934.pdf github:https://github.com/cchen156/Learning-to-See-in-the-Dark
1.摘要
人们提出了各种图像去噪、去模糊和增强技术,但它们在极端条件下的效果是有限的,例如夜间视频速率成像。为了支持基于学习的低亮度图像处理管道的开发,我们收集了一个原始短曝光低光图像数据集,以及相应的长曝光参考图像。利用所提供的数据集,作者开发了一个基于全卷积网络端到端训练的低光图像处理基线模型。
大多数现有的低光图像处理方法都是在合成数据或没有ground truth的真实低光图像上进行评估的。目前还没有用于训练和测试技术的公共数据集,用于处理具有不同真实世界数据和ground truth的快速弱光图像。因此,作者收集了一个在低光照条件下快速曝光的原始图像的新数据集。每个弱光图像都有对应的长曝光高质量参考图像。我们在新数据集上展示了很有希望的结果:低光图像放大了300倍,成功的降噪和正确的颜色变换。作者训练深神经网络学习低光原始数据的图像处理管道,包括颜色变换、去噪、降噪和图像增强。通过对管道进行端到端的训练,避免了传统相机处理管道在这种情况下的噪声放大和误差积累。