《ExpandNet》论文阅读

最近在研究使用深度学习将LDR图像转为HDR图像,因此阅读几篇相关论文。
论文:《ExpandNet: A Deep Convolutional Neural Network for High Dynamic Range Expansion from Low Dynamic Range Content》
代码:https://github.com/dmarnerides/hdr-expandnet

网络结构:

  • Local Branch:产生高频特征 —— 高频特征相当于图像中的细节部分。
  • Dilation Branch:这一层使用扩张卷积(Dilated convolution),产生中频特征。
  • Global Branch:产生低频特征 —— 低频特征相当于图像中的大体部分。

Loss Function:

《ExpandNet》论文阅读_第1张图片

  • 第一部分采用L1来代替深度学习普遍采用的L2函数,因为L2会使得输出图像产生模糊性。
  • 第二部分就是cos余弦函数,因为亮度的数量级差别很大,而cos函数受矢量间角度影响大,但受矢量间幅值影响小。

实现细节:

  • 由于采用上述的三种结构,所以本文没有采用downsampling layersupsampling layers,这样有利于保证输出图像的质量,因为upsampling layers会降低图像质量。
  • 采用SELU作为激活函数。
  • 训练集的亮度都归一化为[0,1]范围内的相对亮度,因为只有一部分训练集有确切的亮度值。

DataSet:

  • 本文通过HDR video,indoor image,web上的HDR图像来获得HDR图像集,随后采用augment的方法,从HDR图像获得LDR图像,这就是训练集的产生流程。
  • augment方法的参数,如下:
    《ExpandNet》论文阅读_第2张图片

实验结果:

左边为输入的LDR图像,右边为网络输出的HDR图像

你可能感兴趣的:(python,机器视觉)