算法思想:
1)引入递归的网络架构,训练 paired 图像数据,从粗糙到精细,恢复图像细节、减少信号失真; 2)引入对抗学习,训练 unpaired 图像数据,提高图像的视觉质量,如光照、颜色分布等
一个output展示
主要分为两个阶段,从保真度到感知质量。
1)Recursive Band Learning. 该阶段确保信号保真度和细节恢复。(保真)
2)Band Recomposition 提高增强图像的视觉质量。(感知质量)
Context
这里就是介绍一下x^ ,是增强图像,有多个 组成
是来自y的一个残差。
这是第二个阶段的,x^增强图像的由来,其实就是w· 的累加和,中间(y,{x1,x2,x3})这一串就是相当于w是怎么来的,是由y,和y中的{x1,x2,x3}得到。
第一阶段!!!:
x就是ground truth,这里做一个损失函数的计算,对3个尺度都进行计算,而且Loss的计算只在最后一次迭代时。
1/2/3st order band 应该是的值.
在RBL阶段的基础上,进行BR阶段,也就是重组阶段。
BR阶段利用了一个对抗性学习(类似EnlightenGAN)Global-local的一种机制,学习了AVA这个数据集,大约有25万张照片(每张都很美),然后在最后做损失函数的计算。
上图是实验里的对比算法。
DRBN感觉很不错呀。