提升感知质量(perceptual quality)是数码相机图像处理不可缺少的,一般通过级联的模块例如曝光补偿(exposure compensation), 色调/饱和度调整(hue/saturation adjustment), 颜色空间转换和修改(color space conversion and manipulation), 色调映射(tone mapping), 伽马校正(gamma correction)
基于深度学习的增强方法可以分为两类
The networks take down-sampled low-resolution (LR) images as input to predict which ones of the pre-defined operators and/or mapping curves should be used to enhance the given high-resolution (HR) source images
按照以前的方法,网络采用低分辨率(LR)的输入预测哪个预定义的操作和/或映射曲线应该被应用在高分辨率(HR)的源图像上
给出一个RGB 的输入,他在3D LUT 中的坐标为:
其中
regularzation
看图像效果好像还不如HDRNet
inspired by bilateral grid processing and local affine color transforms
predict the coefficients of a locally-affine model in bilateral space
make local, global, and content-dependent decisions to approximate the desired image transformation
这篇文章被誉为HDRNet 的先行版, 开篇这张图slice 也没有看懂, 看下面这个文章可以理解JBU。
文章想要做的是将在低分辨率上适合的操作运用到高分辨率图像上
双边网格+3D 放射矩阵(这个不太懂…)
看不懂这篇文章…
具体优化,一遍难以理解,可能需要再看一遍,然后看下源码, 还有一个py实现
一些图像问题都使用一个通用的处理方式——像素级别的处理
联合双边上采样(Joint bilateral upsampling)
痛心疾首的结束语,由于时间关系,想读懂这一系列文章,还需要补充阅读的论文是
bilateral grid, Chen 2007
Guided filter, He 2010
Fast guided filter, He 2015
我想看完以上几篇论文才能堪堪理解HDRNet 的做法和初衷,其实通过学习这样一个per-pixel 的系数并非易事,HDRNet 也并非没有缺点,但是提供了一个很好的思路。
如果有时间再将这一系列论文好好再拜读一遍,因为确实读一遍还是不足以看懂(有生之年系列…)