low-light

大疆的raw图噪声合成：Towards General Low-Light Raw Noise Synthesis and Modeling

文章目录TowardsGeneralLow-LightRawNoiseSynthesisandModeling1dd2信号相关噪声建模3信号无关噪声：生成器和一致性损失（L1和vgg内容损失）4判别器5总结TowardsGeneralLow-LightRawNoiseSynthesisandModeling1dd作者说极暗场景下物理方法仿真不好。作者提出的方法，对于信号相关的噪声使用物理方法建模，

tony365·2024-03-10 14:13

Low-Light Image Enhancement with Normalizing Flow

基础理论知识点：李宏毅flow-model:参考博客、flow-model视频Flow-model参考博客3Methodology在本节中，首先介绍以往基于像素级重建损失的微光增强方法的局限性。然后，介绍了图2中我们的框架的总体范式。最后，我们提出的框架的两个组成部分分别说明。微光图像增强的目标是用微光图像xlx_lxl生成具有正常曝光xhx_hxh的高质量图像。配对样本(xl;xref)(x_l

m0_37860076·2024-02-05 22:43

CVPR2020|ZeroDCE《Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement》论文超详细解读（翻译＋精读）

学习资料：论文题目：《Zero-ReferenceDeepCurveEstimationforLow-LightImageEnhancement》（用于低光图像增强的零参考深度曲线估计）原文地址：https://arxiv.org/abs/2001.06826源码地址：项目概览-Zero-DCE-GitCode目录Abstract—摘要翻译精读一、Introduction—简介翻译精读二、Rela

路人贾'ω'·2024-02-02 06:57

Learning to Enhance Low-Light Imagevia Zero-Reference Deep Curve Estimation

基于零参考深曲线估计的微光图像增强学习本文提出了一种新的方法，零参考深度曲线估计（ZeroDCE），该方法将光增强定义为使用深度网络进行图像特定曲线估计的任务。我们的方法训练一个轻量级的深度网络DCE-Net，以估计给定图像的动态范围调整的逐像素和高阶曲线。曲线估计是专门设计的，考虑了像素值范围、单调性和可微性。ZeroDCE在其对参考图像的宽松假设中很有吸引力，即在训练过程中不需要任何成对甚至不

mytzs123·2024-01-04 00:31

论文阅读＜Joint Correcting and Refinement for Balanced Low-Light Image Enhancement＞

论文链接：https://arxiv.org/pdf/2309.16128v2.pdf代码链接：GitHub-woshiyll/JCRNet目录AbstractMotivationMethodAFeatureExtraction(FES)BJointRefinementStage(JRS)CIlluminationAdjustmentStage(IAS)DLossFunctionsExperime

yrhzmu·2023-12-22 09:18

R2RNet: Low-light Image Enhancement viaReal-low to Real-normal Network

本研究针对在弱光条件下拍摄的图像可能严重降低图像质量的问题进行了探索。解决一系列低光图像的退化可以有效提高图像的视觉质量和高级视觉任务的性能。在本研究中，我们提出了一种新颖的基于Retinex的真实低光到真实正常光网络（R2RNet），用于低光图像增强，其中包括三个子网络：分解网络（Decom-Net）、去噪网络（Denoise-Net）和重照网络（Relight-Net）。这三个子网络分别用于图

mytzs123·2023-12-18 04:27

论文阅读——《Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement》

文章目录前言一、基本原理1.1Retinex理论。1.2Transformer算法。二、论文内容1.网络结构1.1单阶段Retinex理论框架（One-stageRetinex-basedFramework）1.2illuminationestimator1.3光照引导的Transformer（Illumination-GuidedTransformer，IGT）实验结果个人看法总结前言本文试图从

Vaeeeeeee·2023-12-16 09:48

Retinexformer: One-stage Retinex-basedTransformer for Low-light Image Enhancement

Abstract在增强低光图像时，许多深度学习算法都是基于Retinex理论。然而，Retinex模型没有考虑隐藏在黑暗中或由点亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练流程，并依赖于卷积神经网络，在捕获远程依赖性方面表现出局限性。在本文中，我们制定了一个简单但有原则的基于Retinex的单阶段框架（ORF）。ORF首先估计照明信息以照亮低光图像，然后恢复损坏以生成增强的图像。我们设

Adagrad·2023-11-23 22:59

室内低光语义分割框架 LISU: Low-light indoor scene understanding 论文阅读

论文标题：LISU:Low-lightindoorsceneunderstandingwithjointlearningofreflectancerestoration代码：GitHub-noahzn/LISU:Low-lightIndoorSceneUnderstanding期刊：ISPRSJournalofPhotogrammetryandRemoteSensing,2022链接：https:

自监督学习·2023-11-12 09:39

论文阅读之《Kindling the Darkness: A Practical Low-light Image Enhancer》

目录摘要介绍已有方法回顾普通方法基于亮度的方法基于深度学习的方法基于图像去噪的方法提出的方法2.1LayerDecompositionNet2.2ReflectanceRestorationNet2.3IlluminationAdjustmentNet实验结果总结KindlingtheDarkness:APracticalLow-lightImageEnhancer（KinD）ACMMM2019Y

春末的南方城市·2023-10-19 19:58

Empowering Low-Light Image Enhancer through Customized Learnable Priors 论文阅读笔记

中科大、西安交大、南开大学发表在ICCV2023的论文，作者里有李重仪老师和中科大的JieHuang（ECCV2022的FECCVPR2022的ENC和CVPR2023的ERL的一作）喔，看来可能是和JieHuang同一个课题组的，而且同样代码是开源的，我很喜欢。文章利用了MAE的encoder来做一些事情，提出了一个叫customizedunfoldingenhancer（CUE）的方法。从MA

ssf-yasuo·2023-10-16 15:13

ExposureDiffusion: Learning to Expose for Low-light Image Enhancement论文阅读笔记

南洋理工大学、鹏城实验室、香港理工大学在ICCV2023发表的暗图增强论文。用diffusion模型来进行raw图像暗图增强，同时提出了一个自适应的残差层用来对具有不同信噪比的不同区域采取不同的去噪策略。方法的框图如下所示：一张raw图片可以由信号和噪声组成，其中信号是曝光时间、增益和场景光子转化为电子数量三者乘积，噪声是由服从泊松分布的散粒噪声和与信号相独立的噪声的加和：文章定义暗图增强的目标为

ssf-yasuo·2023-10-15 09:18

低光图像增强：DEFormer: DCT-driven Enhancement Transformer for Low-light Image and Dark Vision

论文作者：XiangchenYin,ZhendaYu,XinGao,RanJu,XiaoSun,XinyuZhang作者单位：UniversityofScienceandTechnologyofChina;HefeiComprehensiveNationalScienceCenter;AnhuiUniversity;HefeiUniversityofTechnology;TsinghuaUnive

学术菜鸟小晨·2023-09-19 14:52

论文笔记：Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

来源：CVPR2020提出背景：UnsupervisedGAN-basedmethodshavetheadvantageofeliminatingpaireddatafortraining.EnlightenGAN[12],anunsupervisedGAN-basedandpioneermethodthatlearnstoenhancelow-lightimagesusingunpairedlo

Wenretium·2023-09-04 13:00

MyDLNote-Enhancement:[2020CVPR] Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

Zero-ReferenceDeepCurveEstimationforLow-LightImageEnhancement[paper]:https://arxiv.org/pdf/2001.06826.pdf[project(github)]:https://li-chongyi.github.io/Proj_Zero-DCE.html补充文件可以从project中下载到。本文的亮点：为了实现无

Phoenixtree_DongZhao·2023-09-04 13:59

弱光图像增强(Low-light image enhancement)资料整理（更新中...）

TiAN--GL·2023-09-04 13:57

You Do Not Need Additional Priors or Regularizers in Retinex-based Low-light Image Enhancement论文阅读笔记

这是CVPR2023的一篇有监督暗图增强的论文。用了对比学习、自蒸馏学习和progressivelearning。文章提出，手工设计的retinex先验总归不太准确，因此要抛弃手工设计的先验，所以缩减至如下目标函数：用网络来估计就是如下公式：但仍不足够，直接估计R和L分量进行相乘，会导致一些误差，如下：为此文章提出不要估计R和L分量，而是隐式地估计R和L特征即可对比学习如果用缩减的retinex公

ssf-yasuo·2023-09-03 14:18

Learning a Simple Low-light Image Enhancer from Paired Low-light Instances 论文阅读笔记

这是CVPR2023的弱监督暗图增强论文，需要一个对同一场景有两个不同亮度相同内容的暗图的数据集，但论文提出可以对一张暗图做类似neighbor2neighbor的采样操作得到两张图片来获得。网络结构如下图所示，由3个模块组成，P-net负责对图片进行去噪和去伪影操作，L-Net和R-Net分别对应retinex模型中的L分量和R分量估计。g(L)就是gamma校正。可以看到，训练过程有3个损失，

ssf-yasuo·2023-09-03 14:18

Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation

学习目标：LearningtoEnhanceLow-LightImageviaZero-ReferenceDeepCurveEstimation（零参考深度曲线估计）个人体会：本文的特色就是使用了PA和CA,对不同通道和不同像素做不同处理,虽然本文的实现过程懂了,但是实现去雾的原理不懂,不明白为什么经过一些的卷积操作,残差链接就实现了图像去雾知识点：Retinex理论Gray-Worldcolor

qq_38577700·2023-08-29 13:33

Kindling the Darkness: A Practical Low-light Image Enhancer论文阅读笔记

这是ACMMM2019的一篇有监督暗图增强的论文，KinD其网络结构如下图所示：首先是一个分解网络分解出R和L分量，然后有Restoration-Net和Adjustment-Net分别去对R分量和L分量进一步处理，最终将处理好的R分量和L分量融合回去。这倒是很常规的流程。其中有些novel的细节，一个是分解网络利用得到的R分量来指导L分量的提取。一个是可控的亮度调节模块分解网络分解网络的损失函数

ssf-yasuo·2023-08-02 08:37

Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记

这是22年中科院2区期刊的一篇有监督暗图增强的论文网络结构如下图所示：ARM模块如下图所示：CAB模块如下图所示：LKA模块其实就是放进去了一些大卷积核：AFB模块如下图所示：这些网络结构没什么特别的，连来连去搞那么复杂没什么意思，最终预测的结果是两个支路的加和：损失函数是增强结果和GT的平滑L1损失和反图增强结果和GT反图的平滑L1损失的加权和：从实验结果看，色调是要好看一点，PSNR和SSIM

ssf-yasuo·2023-07-24 20:17

Kindling the Darkness：A Practical Low-light Image Enhancer阅读札记

KindlingtheDarkness：APracticalLow-lightImageEnhancer阅读札记论文发表于2019年的ACMMM。1Abstract本文将低照度图像增强中的挑战总结如下： •如何从单幅图像中有效估计照度分量？ •如何增强低照度图像亮度的同时消除噪声和色彩失真？ •如何在没有GT光照图的情况下训练模型？针对以上挑战，本文提出KinD网络用于实际解决弱光增强问

Cassia tora·2023-07-20 06:16

A New Low-Light Image Enhancement Algorithm using Camera Response Model阅读札记

ANewLow-LightImageEnhancementAlgorithmusingCameraResponseModel阅读札记论文发表于2017年的ICCV。Abstract问题：弱光图像能见度低，不利于人类观察和计算机视觉算法。现况：现有的大多数图像增强技术在增加可见性的同时容易造成颜色和亮度失真，为了保持图像的自然性和获得更准确的增强结果，需要考虑相机内处理。本文方法：（

Cassia tora·2023-07-20 06:46

Low-Light Image Enhancement via a Deep Hybrid Network阅读札记

Low-LightImageEnhancementviaaDeepHybridNetwork阅读札记论文发表于2019年的TIP。1Abstract解决问题：提高低照度图像的可见性本文方法：本文提出一种基于混合神经网络的自动低光图像增强方法，通过以下四个关键策略实现： 1）通过编码器—解码器结构组成的内容流实现输入图像亮化，其中编码器捕获低光输入图像的语义信息，解码器使用从编码器学到

Cassia tora·2023-07-20 06:46

Low-Light Image Enhancement via Stage-Transformer-Guided Network 论文阅读笔记

这是TCSVT2023年的一篇暗图增强的论文文章的核心思想是，暗图有多种降质因素，单一stage的model难以实现多降质因素的去除，因此需要一个multi-stage的model，文章中设置了4个stage。同时提出了用预设query向量来代表不同的降质因素，对原图提取的key和value进行注意力的方法。网络结构如下图所示：首先是预处理模块，用了孔洞卷积来提取多尺度特征图接着multi-sta

ssf-yasuo·2023-07-17 11:48

URetinex-Net: Retinex-based Deep Unfolding Network for Low-light Image Enhancement论文阅读笔记

这是深圳大学、香港城市大学和南洋理工大学发表在CVPR2022的一篇暗图增强的论文网络结构如图所示：左上角首先是初始化模块，对输入的图片送进4层3x3的卷积估计初始的亮度层和照度层。这一模块是单独训练的，同时使用暗图和亮图进行训练，暗图输入时使用以下损失监督：亮图输入时使用以下损失监督，加了一个平滑损失，认为亮图的luminance分量是平滑的：在介绍第二个模块前，要讲一下retinex的公式。r

ssf-yasuo·2023-07-17 10:06

Implicit Neural Representation for Cooperative Low-light Image Enhancement论文阅读笔记

这是北京大学深圳研究生院和鹏城实验室的一篇用隐式神经表示做多模态无监督暗图增强的论文，声称被ICCV2023接受了模型框架如下图所示，由几个模块组成，分别是MaskExtractor，NRN，TAD模块以及类似于cycleGAN的degrademodule和enhancemodule。说实话我并不理解NRN模块有什么意义。文章认为，concatenate上正弦编码的坐标后，1x1的卷积能够输出一张

ssf-yasuo·2023-07-17 10:36

Low-Light Image Enhancement With Semi-Decoupled Decomposition

这是2020年TMM期刊的一篇传统方法暗图增强的论文，提出了基于GTV的亮度层估计。最初是如下公式，用高斯滤波核和高斯函数对梯度进行归一化：但这样太难优化了，所以进一步约简为如下下形式方便优化：从而将前面的分式设为ω\omegaω，可以得到如下的最终公式，也就是最近两年的retinex论文里用到的GTV损失公式，其中S为原图：最优值可以迭代求得：求得I之后，再求R，可以用同样的方式求得一个平滑的R

ssf-yasuo·2023-07-17 10:06

Lightening Network for Low-Light Image Enhancement 论文阅读笔记

这是2022年TIP期刊的一篇有监督暗图增强的文章网络结构如图所示：LBP的网络结构如下：有点绕，其基于的理论如下。就是说，普通的暗图增强就只是走下图的L1红箭头，从暗图估计一个亮图。但是其实这个亮图和真实的亮图还是有一些差距，怎么弥补呢，可以再进一步学习一个RLLR_{LL}RLL到RNLR_{NL}RNL的映射，从而把预测出来的这部分残差加到一开始预测的亮图上，可以使得最终的增强结果更加接近亮

ssf-yasuo·2023-07-17 08:49

Semantically Contrastive Learning for Low-light Image Enhancement 论文阅读笔记

这是AAAI2022的一篇无监督暗图增强论文introduction中提到一个重要观点：前景和背景的增强策略需要区别对待，而语义信息可以辅助进行区域的辨别，从而有利于统一物体区域内部的亮度一致性（我的理解是，其实也和空间、景深有关，在简单的光源分布下相同景深相邻区域的物体通常具有相同的照度，而同一物体区域内的像素通常具有相同的景深，并且一般还有相近的颜色，从而具有相近的亮度）。文章的贡献之一是提出

sysu_first_yasuo·2023-07-15 23:33

LEDNet: Joint Low-light Enhancement and Deblurring in the Dark论文阅读笔记

文章提出了一个数据模拟的pipeline。可以模拟黑暗环境下拍照产生的模糊和亮度低的情况，并用该方法生成了一个数据集LOL-Blur，同时提出了一个低光照图像增强并去模糊的网络LEDNet，能够在模拟数据集和真实图像数据集上都取得好的效果。现有的方法都是单独处理debluring或low-lightenhancement的，如果简单地将现有模型串联起来起不到好的效果。现有lowlightenhan

sysu_first_yasuo·2023-07-15 23:03

RENOIR - A Dataset for Real Low-Light Image Noise Reduction 论文阅读笔记

JVCIR（CCF3区SCI期刊）18年的文章，主要内容是低光图像去噪几大贡献：提出了一个成对图像的图片数据集，其中一张为黑暗自然噪声图像，另一张为黑暗低噪图像，获取这样的图片对的方法是重点提出了一种评估噪声等级的方法，并用该方法评估了自然噪声和人工加噪（包括泊松-高斯噪声模型），以及六个现有去噪模型的去噪效果黑暗图像中的噪声主要是由于传感器的尺寸太小以及曝光时间不充分。核磁共振、CT、X-ray

sysu_first_yasuo·2023-07-15 23:32

Low-Light Image Enhancement via Self-Reinforced Retinex Projection Model 论文阅读笔记

这是马龙博士2022年在TMM期刊发表的基于改进的retinex方法去做暗图增强（非深度学习）的一篇论文文章用一张图展示了其动机，第一行是估计的亮度层，第二列是通常的retinex方法会对估计的亮度层进行RTV约束优化，从而产生平滑的亮度层，然后原图除以亮度层产生照度层作为增强结果，但通常这样会导致过曝，所以会把亮度层调大一点，比如第三列用了Gamma校正把亮度层调大，这样产生的结果不会过曝。但是

sysu_first_yasuo·2023-07-15 23:18

Deep Retinex Decomposition for Low-Light Enhancement 论文阅读笔记

C.Wei,W.Wang,W.Yang,andJ.Liu,“Deepretinexdecompositionforlow-lightenhancement,”inBMVC,2018.总的来说，就是提出利用一个分解网络首先将输入的图片分解为照度分量和反射分量，然后用一个增强网络调节照度分量，并用去噪算法对反射分量进行去噪。将去噪后的反射分量和增强后的照度分量相乘得到增强结果。同时提出了一个数据集.这

sysu_first_yasuo·2023-06-17 09:35

低光照图像增强《Deep Retinex Decomposition for Low-Light Enhancement》论文笔记

论文链接—Github链接—项目主页1原理经典Retinex将图像分解为反射率RRR和照明度III。SSS表示源图像，则表示为：S=R∘I(1)S=R\circI\tag{1}S=R∘I(1)RRR代表反射率，描述了捕获物体的内在属性，它被认为在任何光照（III）条件下都是一致的III代表照明度(亮度)，代表各种物体上的亮度，在低光照图像上，它通常会受到黑暗和不平衡的照明分布影响∘\circ∘代表

清楓·2023-06-17 09:04

Low-Light Image Enhancement with Wavelet-based Diffusion Models

Abstract扩散模型在图像恢复任务中取得了很好的效果，但存在时间长、计算资源消耗大、恢复不稳定等问题。为了解决这些问题，我们提出了一种鲁棒和高效的基于扩散的微光图像增强方法，称为DiffLL。具体来说，我们提出了一个基于小波的条件扩散模型(WCDM)，它利用扩散模型的生成能力来产生令人满意的感知保真度的结果。此外，该算法还利用小波变换的优势，在不牺牲信息的前提下大大加快推理速度，减少计算资源的

Adagrad·2023-06-16 00:37

【去噪】A Physics-Based Noise Formation Model for Extreme Low-Light Raw Denoising噪声建模详解

文章目录0.前言1.主要贡献1.1建立了一个全面的噪声模型，可以准确地描述低光环境下的真实噪声结构1.2提出了一种噪声参数标定方法1.2.1估计系统总体增益KKK1.2.2估计颜色偏差噪声的μc\mu_cμc1.2.3估计行噪声的σr1.2.4估计读出噪声中的λ、σTL1.2.5建模联合参数分布1.3收集了一个极低光去噪数据集ELD2.参考0.前言一句话总结：使用改论文提出的噪声生成模型合成数据所

有时候。·2023-04-14 05:19

低照度增强--论文阅读【《Toward Fast, Flexible, and Robust Low-Light Image Enhancement》】

文章目录前言一、基本原理Retinex理论y=zⓧx单尺度Retinex算法（SSR）二、论文内容1.网络结构IlluminationEastimationSelf-CalibratedModule：作用使每个阶段的结果收敛到同一状态。2.损失函数保真度损失平滑损失3.讨论Operation-InsensitiveAdaptability（操作不敏感适应性，即在不同的简单操作设置下获得稳定的性能）

Vaeeeeeee·2023-03-29 21:12

Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement CVPR2020

Zero-ReferenceDeepCurveEstimationforLow-LightImageEnhancementCVPR2020pdf:https://li-chongyi.github.io/Proj_Zero-DCE.html算法思想：结合CNN和递归迭代计算图像每个像素映射方程来曾强图像亮点：不需要成对训练数据；仅训练每个像素的增强高阶方程参数；网络损失函数考虑了图像空间一致性，曝

嗮太阳的狗狗·2023-03-22 01:17

RDGAN Retinex Decomposition Based Adversarial Learning for Low-Light Enhancement（论文阅读笔记）

RDGANRetinexDecompositionBasedAdversarialLearningforLow-LightEnhancement（论文阅读笔记）最近学习了一篇论文《RDGANRetinexDecompositionBasedAdversarialLearningforLow-LightEnhancement》，记录一下概括在本文提出了一种基于端到端学习的框架，该框架首先对弱光图像进

xingS1992·2023-01-07 19:40

Low-Light Image Enhancement via Edge-Enhanced Multi-Exposure Fusion Network阅读札记

Low-LightImageEnhancementviaEdge-EnhancedMulti-ExposureFusionNetwork阅读札记论文发表于2020年的AAAITechnicalTrack:Vision。Abstract本文目标：恢复弱光图像细节，减少噪声和颜色偏差，保持锐利的边缘。现存问题：（1）无法从极暗/亮的区域恢复曝光良好的图像细节。（2）若没有良好曝光的图像

Cassia tora·2023-01-06 07:46

Toward Fast, Flexible, and Robust Low-Light Image Enhancement

图1.最近最先进的方法与我们的方法之间的比较。KinD[34]是一种具有代表性的配对监督方法。EnGAN[11]考虑了非配对监督学习。ZeroDCE[7]和RUAS[14]引入了无监督学习。我们的方法（只包含三个大小为3×3的卷积）也属于无监督学习。如放大区域所示，这些比较方法出现了不正确的曝光、颜色失真和结构不足，从而降低了视觉质量。相比之下，我们的结果呈现出鲜艳的色彩和清晰的轮廓。此外，我们在

Adagrad·2022-12-27 19:39

Toward Fast, Flexible, and Robust Low-Light Image Enhancement(论文阅读)

（2022_CVPROral）TowardFast,Flexible,andRobustLow-LightImageEnhancement(迈向快速、灵活、稳健的微光图像增强)作者团队：LongMa†,TengyuMa†,RishengLiu‡*,XinFan‡,ZhongxuanLuo††SchoolofSoftwareTechnology,DalianUniversityofTechnolog

TiAN-GL·2022-12-27 19:07

Toward Fast, Flexible, and Robust Low-Light Image Enhancement(实现快速、灵活和稳健的弱光图像增强)CVPR2022

最前面是论文翻译，中间是背景+问题+方法步骤+实验过程，最后是文中的部分专业名词介绍（水平线分开，能力有限，部分翻译可能不太准确）图1.最近最先进的方法与我们的方法之间的比较。KinD是一种典型的成对监督方法。EnGAN考虑了非配对监督学习。ZeroDCE和RUAS引入了无监督学习。我们的方法（只包含三个卷积，大小为3×3）也属于无监督学习。如放大区域所示，这些比较的方法出现不正确的曝光、颜色失真

Y蓝田大海·2022-12-27 19:37

【论文笔记】LIME: low-light image enhancement via illumination map estimation

【论文笔记】LIME:low-lightimageenhancementviailluminationmapestimationTraditionalMethods&UnsolvedProblemsSolutionsRetinexIlluminationEstimationExploitStructureofilluminationtoREFINESped-UpSolvertoProblemPos

不愿透露姓名的互联网用户雷傲天·2022-12-26 04:22

论文阅读：Burst photography for high dynamic range and low-light imaging

IntroductionGoogleHDR+技术曾使得Googlepixel2以其单镜头拍照质量超越了众多双摄手机，登顶手机拍照质量排行榜。这篇文章是HDR+初代版本的技术细节的介绍，与其他HDR技术论文相比，其更加注重工程实用化以及整个成像系统，因此也引入了很多工程化的技巧，以求得在手机设备上达到理想效果。对于手机来说，为了便携化，一般其相机的镜头光圈较小，限制了射入光子的数量，使得在暗光场景下

JimmyCM·2022-12-20 11:08

Burst photography for high dynamic range and low-light imaging on mobile cameras

AbstractCellphonecamerashavesmallapertures,whichlimitsthenumberofphotonstheycangather,leadingtonoisyimagesinlowlight.Theyalsohavesmallsensorpixels,whichlimitsthenumberofelectronseachpixelcanstore,lead

Adagrad·2022-12-20 11:36

Burst photography for high dynamic range and low-light imaging on mobile cameras 阅读理解

1提出问题：手机拍照因为设备限制，各种不行手机摄像头的光圈很小，这限制了它们能收集到的光子的数量，导致在低光照下产生噪声的图像，而且手机还具有较小的传感器像素，这限制了每个像素可以存储的电子数量，导致有限的动态范围。我们描述了一个拍照pipeline，依次为捕获、对齐和合并一组帧，通过对多个帧进行对齐和合并，与输入帧相比，我们生成的中间图像具有更高的比特深度、更高的动态范围和更低的噪声。我们的系统

为什么先生2012·2022-12-20 11:34

复现Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

Zero-ReferenceDeepCurveEstimationforLow-LightImageEnhancement文章复现问题汇总程序已经跑完啦，结果也欢快地交给老师了，来捋一捋过程中遇到的问题。1、安装pytorch先找到pytorch的官网https://pytorch.org/我是直接用cpu跑的代码，所以没装CUDA，直接将生成的命令在控制台运行。跑代码会出现**Nomodulen

嘻哈疯呀·2022-12-16 03:50

【深度学习在图像增强上的应用】(Zero-DCE)Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

参考应用该篇博客https://www.cnblogs.com/Aegsteh/p/15805861.htmlZero-DCE论文地址：https://arxiv.org/abs/2001.06826Tips：快速下载arxiv论文,在网址后面加上日期和页号(http://xxx.itp.ac.cn/pdf/1406.2661.pdf)github：https://github.com/wangy

IT颖酱的成长之路·2022-12-16 03:19

推荐频道