图像美化笔记：DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks

论文地址：DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks
来源： 2017 ICCV
在线demo：http://people.ee.ethz.ch/~ihnatova/#demo
GitHub：https://github.com/aiff22/DPED
任务：普通图片->DSLR[单反]质量的图片（图像美化、图像增强）
方法：作为图像翻译问题，使用形似PIX2PIX的条件生成对抗网络来实现
创新：提出映射的方式来处理图片增强+ 大规模数据集建立+ 多种损失函数的提出

贡献：

1.提出了一个关于学习手机设备和DSLR 摄像机的映射的新方法
2.建立了一个大规模数据集（6k 的图片）
3.颜色，纹理以及文本等多重Loss的结合应用
4.在主观和客观上都取得了较好的效果

引言：

尽管内置智能手机相机的质量迅速提高，但它们的物理限制 - 小尺寸传感器，小巧镜头和缺乏特定硬件 - 阻碍了它们实现DSLR相机的高质量效果。在这项工作中，文章提出了一种端到端的深度学习方法，通过将普通照片转换为DSLR质量的图像来弥补这一差距。
总体而言，也是采用图像翻译的方式来处理图像增强这一任务，采用的模型是形如pix2pix的生成对抗网络模型，并使用多种损失函数结合来进行处理。

数据：

文章提出了大型的DPED数据集，其中包括三个智能手机和一个数码单反相机在野外同步拍摄的照片。
设备：iPhone 3GS，BlackBerry Passport，Sony Xperia Z和Canon 70D DSLR。
数据量：

3周内拍摄了超过22K张照片
索尼智能手机的4549张照片
iPhone的5727张照片
黑莓的6015张照片
与上述三种手机图片对应的佳能数码单反相机照片

环境：

白天各种各样地方 各种照明和天气环境下拍摄

后续处理（为获得paired图片）：

基于SIFT特征执行了额外的非线性变换，以提取手机和DSLR照片之间的交叉部分，获得对齐图像片段提取大小为100x100像素的补丁

文章具体细节：

1. 具体网络结构
   
2. 损失函数
   2.1 Color loss (MSE loss)
   
   2.2 Texture loss (Adversarial loss)
   
   2.3 Content loss (Perceptual loss)
   
   2.4 Total variation loss
   
   2.5 Total loss