暗光增强——URetinex-Net网络推理测试

一、URetinex-Net网络

URetinex-Net 设计了三个基于学习的模块，分别负责数据相关的初始化、高效的展开优化和用户指定的光照增强。由于 URetinex-Net 的推理速度非常快，它可以用于需要实时图像处理的应用，如手机摄像头、实时视频流等。

二、源码包

有官网源码包和我自己提供的源码包，我提供的包里面有测试集，代码没有修改。官网只提供了测试代码，没有训练代码。

官网下载链接：URetines-Net

我提供的源码包：网盘，提取码：1rbn

论文地址：论文

精简论文地址：精简论文

论文讲解视频地址：视频

下载后的源码包如下：

官网提供的模型权重位于根目录下的ckpt文件夹中，如下，有多种选择，学者可以自己修改模型测试：

三、测试

3.1 修改参数

修改测试参数的位置如下:

测试脚本为test.py，在终端中输入以下命令测试，官方提供的代码只能单张测试，需要测试文件夹中所有图片，可以自己修改代码测试：

python test.py --img_path "./demo/input/1.png"

上面命令中–img_path是测试图片的路径。自己的测试图片放到路径下demo\input中。

3.2 测试结果

运行上面命令后，测试结果会自动保存到如下目录中。

下面是URetinex-Net测试结果和Zero-DCE测试结果的对比，最左侧为原始暗光图，中间为Zero-DCE测试结果，右侧为URetinex-Net测试结果。关于Zero-DCE的测试方法，参考博文：Zero-DCE

以上两种算法不同场景下，各有优势，我不做评价，学者自己对比。

四、推理速度

论文中的测试平台为： NVIDIA Tesla V100 GPU。这么强的算力，推理速度为80ms/fps。从论文给的数据分析，我没有在CPU上测试速度，CPU想实时运行起来，难。

五、总结

以上就是URetinex-Net网络推理测试的过程，在测试结果中与Zero-DCE做了多场景的对比，各有优势。

总结不易，多多支持，谢谢！