- 博客(5)
- 收藏
- 关注
RSS订阅原创 低光照图像与视频增强利用深度学习:综述
本文综述了基于深度学习的低光照图像与视频增强(LLIE)研究进展，系统分析了学习策略、网络结构、损失函数、数据集和评估指标。创新点包括：1)提出首个由多样化手机拍摄的低光照数据集LLIV-Phone；2)搭建集成主流方法的在线评估平台；3)全面对比监督学习、强化学习、无监督学习等不同范式的性能。研究发现，现有方法在泛化性、噪声抑制和语义保持等方面仍存在局限，未来需在专用网络结构、感知损失函数和真实数据构建等方向突破。该研究为LLIE领域提供了系统性技术参考。
2026-01-15 16:43:49
992
原创 复杂环境中可见光与红外成像的综合综述:原理、退化与增强
本文综述了低光照、雨雾、尘等退化图像的增强方法。首先分析了各类退化图像的成像原理和数学模型，包括低光图像的退化模型、雨雾图像的大气散射模型等。随后系统梳理了图像增强算法：基于灰度变换的方法（线性变换、直方图均衡化等）；基于Retinex理论的算法（SSR、MSR、MSRCR）；基于深度学习的CNN和GAN方法。文章还比较了近年新兴技术如Transformer与Retinex结合、扩散模型应用等创新方法，并介绍了无监督评价指标（SD、AG、IE、NIQE）。该研究为退化图像增强提供了系统的理论框架和技术路线。
2026-01-10 23:26:38
934
1
原创 机器学习常见考点复习
SVM，是一种强大的监督学习算法，主要用于分类和回归，SVM的核心思想是寻找一个最优的超平面或者决策边界，然后最大化不同数据点之间的间隔，并尽量避免误分类。1. 线性SVM（Linear SVM）考虑一个二元分类问题，其中我们有一个训练数据集，每个数据点都包含一个X和对应的标签y，其中y可以是1或-1（或者自己任意想要的类别），我们寻找一个最优超平面，表示为：其中，w表示法向量（权重向量），b表示截距，w代表输入向量，超平面将特征空间分为两个区域，一个表示正类，一个表示负类。2. 支持向量。
2026-01-06 21:27:08
651
5
原创 low light image enhancement - LLIE学习笔记
核心评估指标：峰值信噪比。衡量像素级的误差，PSNR值越大，失真越小。公式：。：结构相似性。衡量亮度、对比度和结构的相似度，范围，值越大越好，更符合人眼感知。：学习感知图像块相似度。基于深度网络特征的距离度量，LPIPS越低，表示感知上的差异越小，图像越自然。类别代表方法核心优势局限性传统方法LIME, HE速度极快，无需GPU噪声放大，色彩失真CNN监督结构清晰，去噪能力强依赖成对数据，可能过平滑无监督/零样本泛化性好，无需成对数据细节恢复能力稍弱全局光照一致性好计算量大，推理慢。
2025-12-29 11:34:51
1238
原创 如何利用Web of Science
本文介绍了外文文献资源和二次文献数据库的使用方法，重点讲解了Web of Science(WOS)的检索功能。主要内容包括：1）主要外文出版商和数据商资源；2）二次文献数据库的作用；3）WOS数据库的核心检索功能，如引文索引、影响因子计算等；4）实用的检索技巧，包括高级检索、结果分析、跟踪服务等。文章还提供了JCR期刊分区、高被引论文筛选等科研评价工具的使用建议，为科研工作者获取外文文献资源提供了实用指南。
2025-12-21 16:32:56
1435
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人