Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement 一、摘要本文提出了一种新颖的方法，零参考深度曲线估计 (Zero-DCE)，它将光增强公式化为具有深度网络的图像特定曲线估计的任务。我们的方法训练轻量级深度网络 DCE-Net，以估计给定图像的动态范围调整的像素级和高阶曲线。曲线估计是专门
文章概述 这篇文章来自 ACM MM 2019。本文建立了一个简单而有效的点燃黑暗（表示为 KinD）的网络，它受 Retinex 理论的启发，将原始图像分解为反射率和光照两个部分，其中光照负责光的调节，而反射率负责去除退化。通过这种方式，原始空间被解耦成两个较小的子空间，期望得到更好的学习。整个网络由两个组件组成，分别用于处理反射率和光照。从功能上看，还可
转载
2024-04-29 17:45:50
643阅读
EnlightenGAN: Deep Light Enhancement without Paired Supervision论文解读Motivation and introduction最近在xiajiba看一些论文，看到了关于低光图像增强的无监督学习的一篇论文。如题。作者题目起的非常低调，大概表达的意思是做了一件事情，之后论文的故事讲的也非常好。作者在introduction中介绍了现有的一些
转载
2024-05-17 20:40:49
152阅读
点赞
之前在做光照对于高层视觉任务的影响的相关工作，看了不少基于深度学习的低光照增强（low-light enhancement）的文章，于是决定简单梳理一下。光照估计（illumination estimation）和低光照增强（low-light enhancement）的区别：光照估计是一个专门的底层视觉任务（例如[1,2,6]），它的输出结果可以被用到其它任务中，例如图像增强、图像恢复（处理色差
转载
2024-08-20 17:33:10
221阅读
六、蜂巢式测光和十六区测光 蜂巢式测光是美能达在其第三代AF单反机Dynax 7xi上首创的，它也是属分区测光方式中的一种，但比较特别，故单独介绍。整个画面共分成14个区域，中央有13个面积相同的六边形小区域，似蜂巢状的，其余部分属第14个区域。分别由14段SPD进行测光，中央13段SPD测量前景(即被摄主体)曝光值，任何位于第14段 SPD测光范围内的景物均算是背景。&nb
一、文章摘要概述文章的题目是：《MBLLEN: Low-light Image/Video Enhancement Using CNNs》 这是一篇2018年6月份的BMCV(视觉顶刊)使用CNN做图像弱光增强的一篇会议文章，针对单分支或简单神经网络不能同时进行亮度、对比度增强和伪影去除、降噪等多功能需求，文章提出一种多分支弱光增强网络模型–MBLLEN。通过CNN卷积层将图像丰富的特征提取到不同
【论文介绍】【题目】：URetinex-Net: Retinex-based Deep Unfolding Network for Low-light Image Enhancement
【会议】：2022-CVPR
【机构】：深圳大学
【作者】：Wenhui Wu, Jian Weng, Pingping Zhang, Xu Wang, Wenhan Yang, Jianmin Jiang
【
转载
2024-09-13 10:21:51
197阅读
Abstract 同时增强弱光图像并去除其噪声是不适定的，我们观察到噪声在不同频率层中表现出不同的对比度，并且在低频层比在高频层更容易检测噪声。受此启发，我们提出了一种基于频率的分解和增强模型，用于微光图像增强。基于该模型，我们提出了一种新的网络，该网络首先学习在低频层恢复图像对象，然后基于恢复的图像对象增强高频细节。此外，为了便于学习，我们还准备了一个新的具有真实噪声的微光图像数据集。
转载
2024-04-22 16:15:35
106阅读
【论文介绍】提出了一种基于频率的分解和增强模型，用于低光图像去噪，并增强细节。【题目】：Learning to Restore Low-Light Images via Decomposition-and-Enhancement
【DOI】：10.1109/CVPR42600.2020.00235
【时间】：2020
【会议】：2020-CVPR
【机构】：大连理工大学、香港城市大、Pengc
论文地址项目地址Introduction 这是一篇低光照图像增强的文章，提出了一个新的微光图像增强方法 - - 多分支弱光增强网络（MBLLEN），其核心是完全卷积神经网络。该算法由特征提取模块、增强模块和融合模块三类模块组成。此外该方法还可以应用于视频的低光照处理上。 其思想是：1）通过FEM方法提取不同层次的丰富特征，2）分别通过EM增强多层次特征，3）通过FM多分支融合获得最终输出。通过这种
又有很久没有动笔了，主要是最近没研究什么东西，而且现在主流的趋势都是研究深度学习去了，但自己没这方面的需求，同时也就很少有动力再去看传统算法，今天一个人在家，还是抽空分享一个简单的算法吧。 前段日子在看水下图像处理方面的资料时，在github搜到一个链接，里面居然有好几篇文章附带的代码，除了水下图像的文章外，我看到了一篇《Adaptive Local Tone Mapping Based on
目录1. 简介2. SCI3. 实验结果Reference1. 简介顾名思义，低光增强就是把曝光异常的图片作为输入，通过计算，重建曝光信息，使得原本受到曝光影响的区域，其内部的像素细节能够被显示出来。这项技术被广泛的应用在数字成像系统，图片后期处理软件等。目前主流的工作可以被分为两个部分，Model-based 和 Network-based。Model-based方法基于Retinex理论[2]
转载
2024-07-17 22:06:12
443阅读
? 论文基本信息【 CVPR2021 】HLA-Face: Joint High-Low Adaptation for Low Light Face Detection用于弱光人脸检测的联合高低自适应算法https://github.com/daooshee/HLA-Face-Codehttps://arxiv.org/abs/2104.01984? 摘要翻译Abstract微光下的人脸检测对
论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8373911项目地址：https://github.com/weichen582/GLADNet作者：北大abstract在这篇文章中，我们讨论了微光增强的问题。我们的核心思想是先计算出弱光输入的全局光照估计，然后在估计的指导下调整光照，并通过与原始输入的级联来补充
原文链接：https://arxiv.org/abs/2109.05923项目地址：GitHub - wyf0912/LLFlow: The code release of paper "AAAI Low-Light Image Enhancement with Normalizing Flow", AAAI 2022作者团队：南洋理工大学+香港城市大学Abstract将弱光图像增强为正常曝光的图
Abstract不再像以前那样直接学习图像到图像的映射，而是在网络中引入中间照明，将输入与预期增强结果相关联，从而增强网络从专家修改的输入/输出图像对学习复杂的摄影调整的能力。提出了一个采用光照约束和先验的损失函数，建立了一个新的3000对曝光不足图像对的数据集，并训练网络有效地学习对不同光照条件的各种调整。通过这些方法，我们网络的增强结果能够恢复清晰的细节，鲜明的对比度，和自然的颜色。我们在Mi
转载
2024-09-11 20:46:04
239阅读
目录一、文章摘要概述二、联合去噪增强模型三、效果展示1、源码2、个人总结 一、文章摘要概述文章的题目是：《Joint Denoising and Enhancement for Low-Light Images via Retinex Model》 这是一篇2017年北大-刘家瑛团队一篇会议文章。基于Retinex模型，针对分解后照明图光照L2约束导致的伪影和反射图噪声问题，文章提出一个全变
转载
2024-09-27 06:35:53
246阅读
又有很久没有动笔了，主要是最近没研究什么东西，而且现在主流的趋势都是研究深度学习去了，但自己没这方面的需求，同时也就很少有动力再去看传统算法，今天一个人在家，还是抽空分享一个简单的算法吧。 前段日子在看水下图像处理方面的资料时，在github搜到一个链接，里面居然有好几篇文章附带的代码，除了水下图像的文章外，我看到了一篇《Adaptive Local Tone Mapping Based on
论文原文地址：https://arxiv.org/abs/2104.10729v1github：https://github.com/Li-Chongyi/Lighting-the-Darkness-in-the-Deep-Learning-Era-Open百度云（word版翻译及原文pdf）：https://pan.baidu.com/s/1zJ7tU-GpT7O3FYvSN-_7ZA?pwd=
转载
2023-07-03 14:05:41
887阅读
【论文介绍】zero reference （无监督，需要训练，但不需要 paired/unpaired data）【题目】：Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement
【DOI】：10.1109/CVPR42600.2020.00185
【时间】：2020-01-19上传于arXiv
【会议】：202
