Low-Light Image and Video Enhancement Using Deep Learning: A Survey（基于深度学习的低照度图像与视频增强综述）--Chongyi Li

已于 2024-01-10 22:29:02 修改
阅读量537 收藏 11
点赞数 10
文章标签： 深度学习 人工智能
于 2024-01-10 22:28:25 首次发布
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/qq_34848334/article/details/135514768
版权

Low-Light Image and Video Enhancement Using Deep Learning: A Survey（基于深度学习的低照度图像与视频增强综述）

链接: https://pan.baidu.com/s/1s0-w6kxwUQX3t92SMqHdug?pwd=3px1 提取码: 3px1
（Chongyi Li教授的网站出问题了，他的这篇低光图像论文翻译版本也下载不了，下面这个链接是我很早之前下载并保存在百度云盘的，供大家下载学习）

QT-Smile
关注
  • 10
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Low-light-Image-Enhancement-master
11-07
Low-light-Image-Enhancement-master
暗通道matlab代码-Publications-on-low-illumination-image-enhancement:关于低照度图像增
05-25
暗通道matlab代码低照度图像增强上的出版物 关于低照度图像增强的出版物合集 1图像质量指标 PSNR（峰值信噪比）[论文] [matlab代码] [python代码] SSIM（结构相似性）[论文] [matlab代码] [python代码] VIF（视觉质量）[纸张] [代码] FSIM（功能相似性）[论文] [代码] NIQE（自然度图像质量评估器）[论文] [matlab代码] [python代码] 2数据集 bmvc2018 [] [] 3篇论文 2020年 通过边缘增强型多重曝光融合网络（AAAI 2020）实现EEMEFN微光图像增强[论文] [代码] 科莫尔·穆里亚（Komal Mourya）等。学习在黑暗中观看的技术：一项调查[] [代码] [网络] 2019年 使用深度照明估计的曝光不足照片增强（CVPR 2019）[] [代码] 江海洋，郑银强，学习在黑暗中看运动物体（ICCV2019）[] [代码] [网络] 陈晨，陈启峰，敏敏，弗拉德·科顿，在黑暗中看见运动（ICCV2019）[] [code] [web] 2018年 用于弱光增强的深度Retinex分解[
C-LIENet-A-Multi-Context-Low-Light-Image-Enhancement-Network:Paper'C-LIENet的官方代码存储库
03-06
C-LIENet-一个多上下文低光图像增强网络 论文“ C-LIENet：多上下文低光照图像增强网络”的官方代码存储库，IEEE Access，第1卷。 9，pp。31053-31064，2021年
易语言-百度AI人工智能模块
06-25
百度AI人工智能模块源码
Low-light-Image-Enhancement:通过光照图估计实现两种低光图像增强技术的Python
08-05
低光图像增强 基于以下论文，通过光照图估计实现两种低光图像增强技术的 Python 实现： 稳健曝光校正的双光照估计 [] LIME：通过照明图估计进行低光图像增强 [] 这两种方法都基于 retinex 建模，旨在通过保留图像的突出结构来估计光照图，同时去除多余的纹理细节。 为此，两篇论文都使用了相同的优化公式（参见参考资料）。 与第二篇论文（以下称为 LIME）相比，第一篇论文（以下称为 DUAL）引入的新颖性在于对原始图像及其倒置版本的该映射的估计，它允许校正曝光不足和过度曝光图像的暴露部分。 此存储库中实现的代码允许使用这两种方法，可以从脚本参数中轻松选择。 安装 这个实现在python>=3.7上运行，使用pip安装依赖： pip3 install -r requirements.txt 用法 使用demo.py脚本来增强您的图像。 usage: demo.py
低光图像增强（Low-light image enhancement）文章整理
热门推荐
fovever_的博客
05-02 1万+
低光图像增强是图像增强任务中的重要组成部分，目前对于低光图像增强方法的整理参差不全。因此希望在以有的文章基础上整理汇总一下现有的低光图像增强算法（文章和代码）。希望为自己以及大家查找低光图像增强领域的文章和代码提供一些便捷。
Low-Light Image and Video Enhancement Using Deep Learning: A Survey(论文阅读)
田野的博客
11-05 1376
Low-Light Image and Video Enhancement Using Deep Learning: A Survey
全变差去噪matlab代码-Awesome-Low-Light-Image-Enhancement:弱光图像增强的集合，包括纸张，数据集和索引
05-24
全变差去噪matlab代码令人敬畏的低光图像增强 论文和代码 评论与相关工作 [2021 IJCV ]基准微光图像增强及超越 [2020 IEEE ACCESS ]基于实验的弱光图像增强方法综述 基于HE的算法 去做 基于Retinex的算法 [2020年...
基于深度学习的低照度图像增强技术研究综述.pdf
08-18
基于深度学习的低照度图像增强技术研究综述.pdf
暗黑系王者，低照度图像增强技术解析
ZEGO即构科技
07-22 7118
ZEGO即构科技低照度处理技术能够智能感知环境光亮程度，并智能调整图像亮度到符合人眼舒适程度，一切以符合用户的感知为标准进行暗场景智能化调整。未来，即构科技视频算法团队也将继续深入用户需求，致力为用户提供更加舒适的视觉体验！httpshttpshttpshttpshttps。......
【深度学习在图像增强上的应用】(Zero-DCE)Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement
qq_40936714的博客
03-26 6022
https://www.cnblogs.com/Aegsteh/p/15805861.html Zero-DCE 论文地址：https://arxiv.org/abs/2001.06826 Tips：快速下载arxiv论文,在网址后面加上日期和页号 (http://xxx.itp.ac.cn/pdf/1406.2661.pdf) github：https://github.com/wangyin0810/Zero-DCE 一、论文思路和创新点 论文思路： 在Introduction第二段中点名ZeroD.
【深度学习】YOLOv5，金属表面的缺陷检测，GC10-DET数据集
q742971636的博客
04-26 358
数据集的lable文件夹下是每个图片的框和类别标记，是xml格式。
强化学习和深度学习的差异对比
天道酬勤
04-26 636
它是通过展示大量的图片和相应的标签（例如，“猫”、“狗”等）来学习识别模式的，就像是你通过看不同的猫的图片来学习认识猫一样。如果你的问题涉及到需要做出一系列连续的决策，并且需要考虑环境的反馈以优化某种目标（比如控制机器人、制定金融投资策略等），那么强化学习可能是更合适的选择。有时，深度学习和强化学习可以结合使用，形成深度强化学习（DRL），以利用深度学习在表征学习方面的优势，并将其与强化学习的决策能力结合起来。强化学习通常需要更少的标记数据，因为学习是通过与环境的交互来实现的，而不是直接从标记数据中学习。
探索PyTorch与深度学习：从基础到实践
windrainpy的博客
04-23 430
PyTorch是一个基于Python的科学计算库，它提供了强大的张量计算功能和自动求导机制，是构建深度学习模型的理想工具。PyTorch采用动态图计算的方式，使得模型的构建更加灵活，易于调试和理解。
深度学习基础之《TensorFlow框架（14）—TFRecords》
csj50的专栏
04-23 394
1、TFRecords其实是一种二进制文件，虽然它不如其他格式好理解，但是它能更好的利用内存，更方便复制和移动，并且不需要单独的标签文件。（3）将协议内存块序列化为字符串，并且通过tf.io.TFRecordWriter写入到TFRecords文件。（2）将数据填入到Example协议内存块（protocol buffer）3、文件格式*.tfrecords。一、什么是TFRecords文件。二、Example结构解析。
【TensorFlow深度学习】人工智能绪论与深度学习前瞻
yuzhangfeng的博客
04-23 908
此外，伴随着TensorFlow 2.0等高效深度学习框架的迭代升级，开发者将拥有更友好、更高效的开发环境，从而推动深度学习研究与应用的普及和深化。从最初的计算机辅助人类处理信息，到如今深度学习驱动的智能系统在众多领域实现类人甚至超越人类的表现，人工智能正以前所未有的速度改变着世界。特别是在2006年，Geoffrey Hinton等人的研究揭示了如何有效训练深层次神经网络，他们通过逐层预训练的方法，在MNIST手写数字识别任务上取得了突破性进展，并正式提出了“深度学习”的概念。
深度学习比较有用的网站
最新发布
lin_FS的专栏
04-26 342
1.前沿论文学习和效果对比。2.前沿模型结构解析。3.图神经网络的实现。
关于深度学习图像数据集的主要问题和考虑事项
weixin_50233398的博客
04-26 159
现阶段图像数据集的主要问题和思考，可用于展望部分内容的撰写
zero-reference deep curve estimation for low-light image enhancement代码
06-06
Zero-reference deep curve estimation for low-light image enhancement代码（简称“ZR-DC”代码）是一项用于低光图像增强的计算机视觉技术。它是一种基于图像曲线估计的方法，通过在零参考条件下学习图像曲线，在不使用其他图像参考的情况下实现低光图像增强。这项技术是一种“无参考”方法，意味着它不需要额外的输入，而是直接从输入的低光图像中学习并生成增强后的图像。 具体来说，ZR-DC代码通过使用学习的图像曲线来计算图像的对数域，并将其映射回原始像素空间进行增强。在训练中，ZR-DC代码通过使用大量的低光图像和它们对应的增强图像进行训练。最终生成的模型可以用于增强各种低光图像，包括低对比度、暗影和失真等。 该代码是基于深度学习框架PyTorch实现的，包括网络的训练和测试代码。它还提供了一些实用工具，如数据加载器、图像可视化和性能评估工具。该代码已在多个数据集上进行了测试，包括LOL、SID和NPE等，结果表明，它比其他最先进的技术具有更好的性能。此外，该代码还可以应用于实际场景中的图像增强和视频增强等。 总之，ZR-DC代码是一种基于图像曲线估计的低光图像增强方法，它使用深度学习技术从零参考条件下学习图像曲线，并可生成高质量的增强图像。该代码具有良好的可扩展性和实用性，可以应用于多种场景下的低光图像增强问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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