【论文阅读】End-to-end single image enhancement based on a dual network cascade model

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

---

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。