- 博客(232)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 计算psnr ssim niqe fid mae lpips等指标的代码
【代码】计算psnr ssim niqe fid mae lpips等指标的代码。
2024-04-10 21:02:17
228
原创 Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising 论文阅读笔记
文章两个模块的动机是，如果噪声具有空间相关性，那么越远的地方具有噪声相关信息的可能性就越小，那么相比blind-spot取相邻像素点导致噪声相关信息干扰，文章提出blind neighborhood，取远一点，孔洞大一点，就减弱了噪声空间相关性导致的影响。LAN的输入还是噪声图片，gt是BNN的输出。但是，BNN的输出丢失了细节信息，所以用上面的公式来对区域进行加权，细节丢失严重的区域，损失的权重较低，也就是鼓励LAN在平坦的区域像BNN一样去噪，在其它区域正常去噪不要模仿BNN。这一点，其实我另一篇。
2023-11-09 19:38:35
519
原创 Masked Image Training for Generalizable Deep Image Denoising 论文阅读笔记
文章做了一个很有意思的动机实验：在非自然图像上训练高斯去噪，然后放到自然图像加高斯噪声上去测试，如果去噪成功，说明忘了学习的是训练集上的高斯噪声的模式，从而可以泛化到具有相同噪声却有不同图像内容的自然图像上。从下图的denoised by swinir可以看出来，确实去噪成功，也证实了网络在这次实验中只是在学习高斯噪声的模式，从而无法泛化到其它的噪声上。如果希望网络训练出来之后能够泛化到各种各样的噪声上，应该让网络学习自然图像是怎么样的而非学习噪声是怎么样的。
2023-11-09 11:37:42
697
原创 Empowering Low-Light Image Enhancer through Customized Learnable Priors 论文阅读笔记
ICCV2023 customized low-light image enhancement论文阅读笔记
2023-10-15 12:24:52
1360
3
原创 Learning Continuous Exposure Value Representations for Single-Image HDR Reconstruction 论文阅读笔记
这是国立阳明交通大学、联发科和英伟达合作的一篇ICCV 2023的HDR Reconstruction的论文文章用INR来生成具有连续曝光值的图片，从而能够生成更加多样的LDR图片，而文章发现用更多样的LDR图片训练的网络具有更好的性能，这也是文章的动机。文章说用了INR的思路，其实根本就不是INR，INR的输入是坐标，而这里其实就是把s给repeat成feature map大小concatenate到feature map后面，然后用几个1x1卷积进行处理，美其名曰MLP，又不是1x1卷积就是I
2023-10-14 22:27:30
215
原创 ExposureDiffusion: Learning to Expose for Low-light Image Enhancement论文阅读笔记
评价：本身把diffusion和暗图增强这个任务进行了很好的结合，我应该给出很好的评价的。总而言之是一篇很好的文章，个人认为是目前为止看到的用diffusion model做暗图增强做得算好的了，在用diffusion 的框架进行暗图增强的训练的方向上做了一个理论上比较有说服力的工作。用diffusion模型来进行raw图像暗图增强，同时提出了一个自适应的残差层用来对具有不同信噪比的不同区域采取不同的去噪策略。也是预测的一个soft的mask。文章定义暗图增强的目标为从一张。分别是对正常光照的图像。
2023-10-14 21:52:14
1391
原创 Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative Diffusion Model 论文阅读笔记
这是武汉大学发表在ICCV2023的一篇用diffusion模型来做暗图增强的工作，希望通过diffusion model的生成能力来还原出暗图中丢失的信息，同时用transformer作为retinex model的分解网络前面的transformer模型的损失如下图所示，即常规的重建损失，亮度分量的平滑损失，成对图像的R分量要相同的损失。其中重建损失的第三项是交叉损失，指将暗图和亮图的R对换后的损失，但是具体又不给出表达式，很可疑：前面的transformer模型用的是通道注意力，后面
2023-10-13 17:44:02
1021
原创 RSFNet: A White-Box Image Retouching Approach using Region-Specific Color Filters 论文阅读笔记
而这次也是类似的方法，预定义了一系列带参数的操作，用神经网络预测这些操作的参数，再预测一个attention maps来加权平均这些操作，由于attention maps是element-wise的，从而实现了动机中所说的fine-grained的retouching。此外，还提供了一个变种模型，利用palette-based methods，或是显著性预测的模型，或是分割模型，用来生成mask，来对不同区域进行不同的retouching。损失函数是监督的L1损失，在Fivek上训练和测试。
2023-10-13 11:37:55
270
4
原创 Deep Fourier-Based Exposure Correction Network with Spatial-Frequency Interaction 论文阅读笔记
但是我觉得用卷积来处理频率谱（尽管是1x1卷积，也不合理，因为频率谱上的1x1卷积不仅意味着卷积核只能看到一个频率分量的内容就要做出推断，而且对所有的频率分量采取相同操作，这就非常不合理了，甚至对特征图进行频谱分解的意义我觉得都有待商榷），以及空间谱和频率谱的交互居然是直接相加，我觉得非常不合理，这个方法可能并没有发掘出从频率域的角度去增强的潜力（虽然之前其它工作从频率域角度用DL模型处理底层视觉任务大多也都这样做），还有很大的提升空间。SFI模块如下图所示（这是幅度谱的SFI，相位谱的SFI以此类推）
2023-10-13 09:11:30
280
原创 Exposure Normalization and Compensation for Multiple-Exposure Correction 论文阅读笔记
而finetune其它模块的时候，可以利用现有的一个方法来计算参数的重要性，从而对重要参数的变化进行惩罚，使得重要参数在finetune的过程中不要发生大的变化，使得对常规图像输入的性能不下降而对难样本的性能提升。文章的动机是，多曝光图像中，过曝和欠曝的图片的调整方向是相反的，给训练带来了问题（和CVPR2023那篇的动机是一致的）。参数的重要性可以通过对常规样本的结果对参数的微分来计算，也就是（10）式，从而在finetune的过程中，通过限制在这m个常规样本上的输出的变化，使得对常规样本的性能不下降。
2023-10-12 23:05:30
1292
2
原创 Learning Sample Relationship for Exposure Correction 论文阅读笔记
这个过程是很直观简单的。比较复杂的是训练流程。文章的动机是，在多曝光数据集上训练时，同一个batch可能同时出现需要增亮的样本和需要抑制过曝的样本，而这两种样本的优化方向是相反的，从而产生负面影响。为了解决这个问题，本文提出通过学习一个batch的样本间的关系。这已经是最近第三次看到这种论文了，前两篇分别是CVPR2022的ENC和CVPR2023的SKF，都是类似即插即用地提出一些模块来提高现有方法的性能，实验结果都是以方法A+XX比方法A性能提高，方法B+xx比方法B性能提高的方式展示。
2023-10-12 21:41:17
933
2
原创 Burstormer论文阅读笔记
这是CVPR2023的一篇连拍图像修复和增强的论文，一作是阿联酋的默罕默德 本 扎耶得人工智能大学，二作是旷视科技连拍图像的多帧是不对齐的，为了实现帧间信息交流、帧对齐和帧修复/增强，本文提出了一个连拍图像超分、去噪、暗光增强模型网络结构如下图所示：主要操作图中都能看到，就是通过deformable convolution来做一个帧对齐，还有一些常规操作进行帧间信息交流。
2023-10-12 20:00:15
765
原创 COMO-ViT论文阅读笔记
个人感觉，泰勒展开应该是没有加速效果的，不仅没有开源，也没有给这个的消融实验；同时呢，只给PSNR和SSIM是很少见的，LPIPS LOE FID NIQE都没有给，比PSNR也没有和LLFlow（25.42的PSNR）比。感觉发ICCV有点。。。
2023-09-11 22:25:57
878
5
原创 reference based image enhancement 论文调研
Enhance Images as You Like with Unpaired Learning这是IJCAI 2021的文章文章提出一个条件GAN模型，用reference image作为条件，可以在unpaired images上训练暗图增强模型，使得增强结果根据reference image来调节色调亮度和对比度。训练的监督分为四部分，一个是以输入图片为条件时GAN生成的必须是输入图片，一个是增强结果和输入图片的空间相关性，一个是增强结果和参考图片的全局色调相关性，一个是GAN损失。网络结
2023-09-03 20:23:44
300
原创 personalized image enhancement 调研
Personalized Image Enhancement Using Neural Spline Color Transforms这是TIP期刊 2020年的一篇论文，首先提出了一个能预测曲线的网络，预测一些锚点，根据锚点插值出连续的曲线，然后用曲线对raw image进行retouching。然后提出了一个根据用户的retouching结果预测用户喜好的网络，能够模拟用户的喜好对图片进行retouching。两个方法的流程图如下所示：PieNet: Personalized Image
2023-09-03 12:27:24
250
原创 Learning a Simple Low-light Image Enhancer from Paired Low-light Instances 论文阅读笔记
这是CVPR2023的弱监督暗图增强论文，需要一个对同一场景有两个不同亮度相同内容的暗图的数据集，但论文提出可以对一张暗图做类似neighbor2neighbor的采样操作得到两张图片来获得。网络结构如下图所示，由3个模块组成，P-net负责对图片进行去噪和去伪影操作，L-Net和R-Net分别对应retinex模型中的L分量和R分量估计。g(L)就是gamma校正。可以看到，训练过程有3个损失，一个是对P-Net的重建损失，其实只是对输入和输出进行L2 Loss而已（之所以P-Net能work，
2023-07-28 22:14:24
764
原创 You Do Not Need Additional Priors or Regularizers in Retinex-based Low-light Image Enhancement论文阅读笔记
我很喜欢这篇。利用自蒸馏和对比学习来提供额外监督虽然是个容易想到的idea，但是文章根据暗图增强任务进行了适应性的调整，最重要的是取得的效果也很好，实验也做得很充分。怀疑点也不是没有，这里的主观评价实验，SCI效果有那么差吗，我自己实验出来效果还挺好的呀。还有就是，已经选了SCI还选RUAS干嘛，再选个别的嘛，enlightenGAN之类的。
2023-07-28 12:10:11
599
2
原创 Generative Diffusion Prior for Unified Image Restoration and Enhancement 论文阅读笔记
按原先的diffusion先验，其实就是在diffusion的reverse的过程中，每次加噪的过程前都调整一下均值项。而这个调整项涉及的优化目标即为式8，由两部分组成，一部分是增强/复原 结果降质后和低质量原图的距离损失，一个是针对特殊任务的效果提升项，使得增强/复原结果具有期望的性质（如亮度）。启发：用diffusion先验来进行暗图增强的部分，degradation的公式设计得巧妙简单，通过加M并且用M的tv loss的方式来进行增强是一个简单有效的idea，不过可能可以有更加有效的方法。
2023-07-26 15:48:16
1924
原创 Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement 论文阅读笔记
文章网络结构如下图所示。对抗损失分为局部和全局。全局就是把分割图和图片concatenate到一起送进discriminator，局部则是对各个mask的部分分别算discriminator的分类输出，然后取分类器输出为fake概率最高的那个计算损失，更新权重。CVPR2023的一篇暗图增强的论文，电子科技大以及李重仪老师的合作论文。
2023-07-21 17:51:22
283
原创 Self-supervised Image Enhancement Network: Training with Low Light Images Only 论文阅读笔记
这是2020放在arxiv上的一篇自监督暗图增强的文章，很多后续的无监督暗图增强论文都会引用到并且和它比较文章从贝叶斯概率的角度分析了retinex的公式如下：从而等式右边的三项概率的最大化可以分别由3个损失函数导向：第一项文章定义为L1损失，很常见：第二项则定义为暗图的亮度分量（HSV颜色空间中的V）直方图均衡化后的结果F(S)和R的亮度分量的L1距离以及R的平滑损失：第三项定义如下：网络结构如下图所示：文章提出先downsample再upsample的网络能去噪，但会使得图
2023-07-20 19:13:59
233
原创 Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记
总结：搭网络结构实在是没什么意思，正图反图双支路也有一些工作在做，唯一就是，这个平滑L1损失好像好几个工作用到，以后可以试试。这是22年中科院2区期刊的一篇有监督暗图增强的论文。
2023-07-20 16:55:14
501
原创 论文投稿前细节检查
参考文献的doi统一要或不要，要参考期刊/会议之前的版本参考文献的会议和期刊作者的缩写方式，论文标题的首字母，发表会议或期刊的首字母，年份的位置等是否统一。同时，建议会议直接给缩写，期刊给全称。Fig、Tab、Eq等缩写是否统一表格、图片先出现的要先提到，不能先提3再提2图片编译后要出现在提到的位置的就近处，不要离太远标题的大小写是否统一专有名词及其缩写的大小写是否统一专有名词写法全文是否统一公式是否出现重复字母定义尽量不要用can be不要And开头不要用will如果有那种放在句
2023-07-19 21:10:42
999
原创 Low-Light Image Enhancement With Semi-Decoupled Decomposition
这是2020年TMM期刊的一篇传统方法暗图增强的论文，提出了基于GTV的亮度层估计。启发是先估计平滑的I，再根据平滑的I和原图，估计平滑的R，可以一定程度上实现去噪。优化的公式我这里就不展开细说了。实验结果看NIQE和图片还是蛮不错的。从而将前面的分式设为。
2023-07-16 20:30:31
298
原创 Lightening Network for Low-Light Image Enhancement 论文阅读笔记
启发是，back porjection和残差学习的作用还是挺大的，同时，网络是iteratively地增强的，也就是说中间出现了很多3通道的增强结果，这一点相比其他网络中间只是特征来说，更有可解释性。就是说，普通的暗图增强就只是走下图的L1红箭头，从暗图估计一个亮图。但是其实这个亮图和真实的亮图还是有一些差距，怎么弥补呢，可以再进一步学习一个。的映射，从而把预测出来的这部分残差加到一开始预测的亮图上，可以使得最终的增强结果更加接近亮图。损失函数是增强结果的TV loss和SSIM loss的和。
2023-07-16 19:35:18
787
原创 URetinex-Net: Retinex-based Deep Unfolding Network for Low-light Image Enhancement论文阅读笔记
IRLRLR^ϕωωω。
2023-07-16 17:59:34
1057
3
原创 Implicit Neural Representation for Cooperative Low-light Image Enhancement论文阅读笔记
INRILIAIM。
2023-07-16 16:31:24
491
2
原创 暗图增强 小期刊/会议 论文阅读笔记
000)(111)cx(111)cxxawwaccx(000)(awakac)awakac1aw−akx(awakac)(awakac)(awakac。
2023-07-16 11:57:38
602
原创 Learning Enriched Features for Fast Image Restoration and Enhancement 论文阅读笔记
这里的特征图是已经上采样到相同尺度了，相加做一个global average pooling和全连接层后，分成两个向量，各自再全连接层一次，然后softmax归一化使得两个向量的加和处处为1，然后进行通道加权后相加。这是2022年TPAMI上发表的大名鼎鼎的MIRNetv2，是一个通用的图像修复和图像质量增强模型，核心是一个多尺度的网络。网络结构整体是残差的递归，不断把残差展开可以看到是一些残差块的堆叠。启发是，一个高性能的网络，用简单的距离损失函数进行有监督训练，能够产生很好的增强结果。
2023-07-14 17:45:04
2223
原创 Linear Contrast Enhancement Network for Low-Illumination Image Enhancement 论文阅读笔记
网络的输入由暗图、暗图的HSV的V分量（三通道的max）以及暗图的梯度图组成，分别送进三个分支。最上面的分支处理梯度图，最下面的分支处理亮度图，对亮度图进行残差的增强后产生L(I)，预测的残差同时送进中间的分支，也就是fig5中的。-对比度线性增强的核心公式如下，即对前面的特征图进行归一化后乘以。是下面的分支送上来的0-1之间的增量，是sigmoid过的）可以使得对比度增强（因为乘以的是一个大于1 的数，
2023-07-14 16:51:02
165
原创 Low-Light Image Enhancement via Self-Reinforced Retinex Projection Model 论文阅读笔记
但是文章指出无论是第三列的Gamma校正还是第四列的LIME，其调整亮度层的方法都会改变亮度层的形状导致产生伪影或者过模糊，从第二行可以看到，第三四列的蓝线相比绿线形状是发生了改变的。的max pooling操作，将每个像素值置为邻域的最大值（不包含-1，只向右看，有点类似求梯度的感觉，这一操作增强了边缘信息，如下图所示），然后加上c使得I的估计增大一个常量（相比gamma校正，这是一个平移而非对数，不过我觉得这个c等优化完再加上也是等价的，也就是说把c加在公式1的最右边）。增量的引入，估计出来的。
2023-07-14 12:34:56
2116
1
原创 AdaInt: Learning Adaptive Intervals for 3D Lookup Tables on Real-time Image Enhancement 论文阅读笔记
3×Ns−1)NsNs−1。
2023-07-14 10:41:58
291
原创 Multiscale Low-Light Image Enhancement Network With Illumination Constraint 论文阅读笔记
网络是一个unet结构，每个模块是SENet和Res2Net的结合体，网络最后还是加上了原图，所以是残差预测。这个文章给的一个启发是动机部分的阐述相当到位，然后是损失函数不需要MSE损失而只需要perceptual损失和SSIM损失就可以实现增强，从消融实验可以看到相比L1损失这两个损失能实现更好的NIQE；这是TCSVT 2022的一篇暗图增强的论文，主要创新点在于提出了一个illumination constraint。分别是当前通道的最大值和最小值，max和min就是1和0.
2023-07-13 20:40:26
173
1
facebook开源目标检测框架所用到的R-101预训练的权重文件 R-101.pkl
2020-05-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人