Learning to see in the dark CVPR 2018论文阅读记录

这篇文章的贡献主要有两个，一个是给出了新的低光数据集，不过是raw格式的；另一个是给出了一个在极低光照，极低SNR情况下能够有很好结果的网络

Abstract& instruction

在光照毁灭性弱的情况下，传统的相机处理pipeline是不再适用的，必须要从raw格式文件来重建
于是我们通过学习的方式建立起了一个网络，这个网络可以对弱光图像给出新的pipeline，效果还不错，而之前的那些各种方法都是假设在正常的pipeline可以用的情况下的

网络结构

用的全连接网络（FCN），因为前人的研究中发现FCN能够拟合相机图像处理的pipeline中的很多步骤，所以干脆拿它来把整个ISP模拟出来

不足

我们的工作未解决HDR色调映射。SID数据集受到限制，因为它不包含人类和动态对象。提出的管道的结果是不完善的，可以在以后的工作中加以改进。 x300子集尤其具有挑战性。图10（d）展示了所提出方法的输出中的一些伪像。所提出的管线的另一个限制是放大率必须在外部选择。从输入中推断出类似于自动ISO的良好放大率将很有用。此外，我们目前假设针对给定的相机传感器训练了专用网络。我们对交叉传感器泛化的初步实验令人鼓舞，未来的工作可能会进一步研究弱光成像网络的泛化能力。未来工作的另一个机会是运行时优化。呈现的管线分别需要0.38和0.66秒来处理全分辨率的Sony和Fuji图像；尽管可以实时生成低分辨率的预览，但这对于以全分辨率进行实时处理还不够快。我们期望未来的工作，例如通过系统地优化网络体系结构和培训程序，来进一步改善图像质量。我们希望SID数据集和我们的实验结果能够刺激并支持这种系统的研究。