Low-Light Enhancement 数据集 和 论文代码

数据集:

LOL [30] : Deep Retinex Decomposition for Low-Light Enhancement. 2018 British Machine Vision Conference. [dataset]

LIME [16] : LIME: Low-light Image Enhancement via Illumination Map Estimation. IEEE TIP (2017). [dataset]

NPE [28] : Naturalness preserved enhancement algorithm for non-uniform illumination images. IEEE TIP (2013). [dataset part1, part2, part3]

MEF [7] : Power-constrained contrast enhancement for emissive displays based on histogram equalization. IEEE TIP (2012).

评价方法:

LOE [28] : Naturalness preserved enhancement algorithm for non-uniform illumination images. IEEE TIP (2013).

NIQE [23] : Making a completely blind image quality analyzer. IEEE Signal Processing Letters (2013).

对比方法:

BIMEF [33] : A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement. arXiv (2017). (code)

SRIE [12] :A Weighted Variational Model for Simultaneous Reflectance and Illumination Estimation. 2016 CVPR. (code)

CRM [34] : A New Low-Light Image Enhancement Algorithm Using Camera Response Model. 2018 ICCVW.  (code)

Dong [11] : Fast efficient algorithm for enhancement of low lighting video. 2011 ICME. (code)

LIME [16] : LIME: Low-light Image Enhancement via Illumination Map Estimation. IEEE TIP (2017). (code)

MF [14] : A fusion-based enhancing method for weakly illuminated images. Signal Processing (2016). (code)

RRM [21] : Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model. IEEE TIP (2018). (code)

Retinex-Net [30] : Deep Retinex Decomposition for Low-Light Enhancement. 2018 British Machine Vision Conference. (code)

GLAD [29] : GLADNet: Low-Light Enhancement Network with Global Awareness. 2018 In IEEE International Conference on Automatic Face & Gesture Recognition. (code)

MSR [18] : A multiscale retinex for bridging the gap between color images and the human observation of scenes. IEEE TIP (2012). (code)

NPE [28] : Naturalness preserved enhancement algorithm for non-uniform illumination images. IEEE TIP (2013). (code)

 

 

DeepUPE : Underexposed photo enhancement using deep illumination estimatio. 2019 CVPR. (code

Zero-reference deep curve estimation for low-light image enhancement. 2020 arxiv. (code) (project)

 

 

  • 27
    点赞
  • 121
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
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 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