《Learning to See Moving Objects in the Dark》解读

[1] Jiang H ,  Zheng Y . Learning to See Moving Objects in the Dark[C]// 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, 2019.（南加州大学）

论文架构：利用一个novel optical co-axis system 获取SMOID Dataset，利用3D-convolation 为了保证图像每帧的时序性和防止2D convolation 造成的闪烁问题 对视频/图像进行增强。

 Fig 1就是介绍一下NIR（近红外）会造成纹理消失现象，在以往的红外摄像头上。

 接下来，进入文章主要内容，  novel optical co-axis system ：

 Relay Lens （增距镜）：增加相机焦距

Beam Splitter: 分束器，为了接下来获得Ground truth and dark images

Camera1（Bright ）：获得正常光，即ground truth。

ND Filter: 即减光镜，控制光的入射量并保证无损色调。

Camera2（Dark）:获得Dark images 

    对这些清晰的图像对应用同源特征匹配(homography feature matching)操作，以获得最优的几何映射，其中对齐后的差异是两个相机视野之间的最小值。所有明亮的视频都进行了相应的转换，以加强视频对之间的像素级严格的对应关系。

利用同源特征性匹配，保证两个图像的对齐。

这里给的图像效果很差很差。

接下来是network

 与SID相同，最后都使用的sub-pixel convololation,进行上采样。

刚开始即是对Raw images 的packing ， 高、宽缩减成一半，然后通道由1个，变为4个，既2个green，1个red，1个blue，然后进行一个线性缩放，缩成之前的1/5，丢进网络中去。

Figure5 展示了smoid算法和sid、mallven算法的对比。

[1]Feifan Lv, Feng Lu, Jianhua Wu, and Chongsoon Lim. MBLLEN: low-light image/video enhancement using cnns. In British Machine Vision Conference 2018, BMVC 2018 

其实肉眼看上去，效果更好的是mbllen算法，但是算法对比度较强，模糊。

对比试验太少了，太少了。

 Figure7 就是说smoid产生的图像的btightness 更接近ground truth。

PSNR和SSIM值。

 作者用MABD来评价亮度差

 

 our result 更接近ground truth。we

文章的图片太少了，很难评价他的效果，视频展示的也很少，而且有一个地方，会产生车灯的眩光，影响很大，可以参考2021 CVPR的一篇文章，就是去炫光的。