[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。