Fast Enhancement for Non-Uniform Illumination Images using Light-weight CNNs

本文提出了一种轻量化、快速的图像增强方法,适用于移动端部署。通过预处理模块处理数据集,利用Illumination net和Fusion net进行初步增强,再通过Restoration net进行精细修复。总损失由四部分组成,包括颜色饱和度增强、视觉质量和结构质量的损失以及平滑度损失。整个模型结构简洁,旨在解决暗光环境下图像的模糊、低饱和度和低对比度问题。
摘要由CSDN通过智能技术生成

重点

暗光增强任务面临着输入图像模糊、信息少、低饱和度、低对比度等退化问题,目前有非常多的方法已经提出来解决问题,但是,并没有一个方法足够轻量化、速度快,以至于将模型部署到移动端上。
全文最最重要的就是说自己的网络轻量化、速度快

作者提出了一种方法:

  • 使用经过预处理(retouching module)的数据集(图选自COCO),以原图+max value of RGB+反 max value of RGB 结合图 作为input,先训练illumination netfushion net,illumination net输出under/over exposed 图,fusion net的输出是权重而不是结果。
  • 固定之前网络参数,将输出的权重和之前的跳接图进行相乘,作为输入restoration net输入,进行训练,得到Neg-Noise /Neg-Artifacts(去除噪声和伪影)并与输入进行跳接,得到结果
  • 其中,总的loss由4种loss组成

在这里插入图片描述

为什么用原图+max value of RGB+ 反 max value of RGB(第一部分)和原图+under/over exposed(第二部分)做输入呢?

这里作者没有细说,但是从自己的理解来看,首先原图和under exposed作为输入自不必说,因为这是最终需要增强的图片,然后over exposed的图像作为输入首先肯定是为了更多的场景考虑,换句话也可以说是不同的light level,或者理解成data augment?同时,暗光增强是需要输出视觉质量高,这肯定包括了不过曝,增加了数据的类型,能够让网络学习到更多信息。

Retouching module和Dataset

在这里插入图片描述
Retouching modul

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。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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