今天带来一篇代码解读的文章,是2018年BMVC上的一篇暗光增强文章。个人觉得网络比较轻量并且能够取得还不错的效果。废话不多说,直接贴传送门:
文章地址:http://arxiv.org/abs/1808.04560
源码地址:https://github.com/weichen582/RetinexNet
文章基于Retinex理论,不懂的请戳这里:https://blog.csdn.net/lz0499/article/details/81154937
整体结构主要包括两个网络:DecomNet和RelightNet。DecomNet用于分解图片为反射分量和光照分量,RelightNet用于将光照分量修正,再与反射分量重建,得到修正后的图像。可参考下图:
其中,作者提到了在RelightNet中同时对反射分量进行去噪处理,但在代码中我没有明确看到这步操作,有知道的小伙伴可以评论区留言。
先来看DecomNet的网络构建部分。整体就是全卷积网络,具体看我代码注释。
def DecomNet(input_im, layer_num, channel=64, kernel_size=3): #分解网络
input_max = tf.reduce_max(input_im, axis=3, keepdims=True)
input_im = concat([input_max, input_im]) #选取RGB三通道中的最大值(亮度)进行堆叠,变成4通道,与最后一层卷积'recon_layer'相呼应
with tf.variable_scope('DecomNet', reuse=tf.AUTO_REUSE): #这里面创建的所有tensor都带有'DecomNet'
conv = tf.layers.conv2d(input_im, channel, kernel_size * 3, padding='same', activation=None, name="shallow_feature_extraction")
for idx in range(layer_num): #进行5次带r