提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
End-to-end single image enhancement based on a dual network cascade model
前言
这篇文章主要讲述了对多曝光图像的融合方法:
在文章中主要的贡献分为三个部分
(1) A dual network cascade model for single image enhancement that includes an EPN and an EFN is presented. The EPN recovers the lost details of the input image in its under-exposed and over exposed regions, and the EFN avoids the problem of low robustness caused by artificially extracting fusion features
(2) A loss function constructed via a structural dissimilarity index is used to alleviate the chessboard artifacts generated by the deconvolution layer.
(3) Direct end-to-end training is difficult to converge, so a three-phase training strategy is designed to simplify the training complexity.。
提示:以下是本篇文章正文内容,下面案例可供参考
一、框架
文章从一幅输入图像在一个生成网络中,生成两幅图像,一幅是过曝光图像,一幅是欠曝光图象,随后将原始图像和生成的两幅图像,同时输入到fusion网络中,生成最终的结果图。
二、网络
1.生成(EPN)
这一部分就是卷积层的堆叠,将多维特征变成具有代表性的结果,但是得到结果具有高代表特征,但是会损失图像的内容信息,所以将原始的卷积层堆叠在反卷积层后,最终得到结果图。
2.融合(EFN)
将三幅待融合图像的特征图堆叠,利用CNN来提取融合特征。拟建的EFN包括三个部分,一个特征提取层、特征合并层和重建层。同时还采用了全卷积结构,以使输入图像的大小不受限制。
由于EFN的输入是多曝光图像,因此共享特征提取层的权重,以确保从每个图像中提取的特征一致。也就是说,相同的卷积核权值和偏差被应用于三张不同曝光的图像
3.loss function
这部分没什么可说的,也没使用很牛逼的损失函数,使用SSIM这一结构性函数,确实也很满足多曝光图像的特征检测。
4. Activation function
这里因为考虑到前面需要一个输入,两个输出,所以需要选择切合的。为此文章中经过思考使用Elu
这样避免了学习得到过曝忽略欠曝,不会因为一个正样本一个负样本而出现问题。
5. Three-phase training
将生成网络和融合网络分别训练,最终在从输入到输出训练,这样使用了三步增强,作者认为这样有效地提高模型的稳定性。个人认为这样能够使得EPN和EFN两个部分和整体的网络,三者之间能够稳定的兼容。
# 总结 这篇文章从内容创新度上面来讲,我个人认为不高,主要胜在发布时间早,框架简单,内容不繁琐,不过可能在当初还不错。。。主要是这个通过一个网络生成两种曝光图像,这一点控制上面确实可以思考借鉴的地方。