超简单但又超有效的基于CNN的暗光成像模型

【前言】

上次整了个google的纯传统算法的暗光成像的超复杂pipeline的paper，那个确实挺难的，这次我找到了个简单移动的用CNN的暗光成像的模型，复现难度应该会低很多。

以下解读与见解均为我的个人理解，要是我有哪里曲解了，造成了不必要的麻烦，可以联系我删除文章，也可以在评论区留言，我进行修改。也欢迎大家在评论区进行交流，要是有什么有意思的paper也可以留言，我抽空看一下也可以写一些。正文内容中的“作者”二字，均是指paper的作者，我的个人观点会显式的“我”注明。而文中的图基本都是从paper上cv过来的，我也没本事重做这么多的图，况且作者的图弄得还挺好看的。

Paper基本信息

题目：Learning to See in the Dark

作者：Chen Chen, Qifeng Chen, Jia Xu, Vladlen Koltun, 是来自intel lab的工作，这是18年的CVPR，到了现在21年，一作的Chen Chen进了工业界去了苹果，二作的Qifeng Chen留在了学术界去了港科大。

链接：https://cchen156.github.io/paper/18CVPR_SID.pdf

Github：https://github.com/cchen156/Learning-to-See-in-the-Dark

总结：暗光成像的真实环境数据集+基于CNN的暗光成像端到端模型

Paper内容介绍

【Introduction】

拍过照的都知道，暗光成像是一件很难搞的事。一般有两种做法：

• 拉高ISO提升亮度，但是噪点也会放大，就算做了缩放、直方图拉伸等后处理，由于原本数据信噪比低，效果还是很一般
• 打开光圈、延长曝光时间、开闪光灯等物理手段，这种各有各的缺点，增加曝光时间会严重受到相机抖动和物体运动