LJQ's Blog

欢迎大佬们来玩!

简单介绍两篇低光照视频增强的论文

这篇论文主要介绍了两篇做低光照视频增强的论文,两篇论文都提出了成对的数据集。 Learning to See Moving Objects in the Dark(ICCV2019)这篇文章的主要贡献有:①建立了一个新的共轴光学系统来捕获时间同步和空间对齐的低光和光线充足的视频对;②提供了第一个包含动态车辆和行人的街景低光/正常光视频数据对;③采用3Dconv和2D pooling/de......

空间特征转换网络及其在超分辨中的应用

本文主要用于介绍经典的空间转换网络,并将这种思想运用到了超分辨中的一篇论文。 Spatial Transformer Networks (CVPR2016)本文提出了一个独立的神经网络模块,空间变换网络,可以直接加入到已有的CNN或FCN中对数据进行空间变换操作。它不需要关键点的标定,能够根据分类或者其他任务自适应地将数据进行对齐或空间变换(包括平移、缩放、旋转以及其他几何变换),从而减......

简单介绍两篇去噪论文

新年快乐~ 之后的博客可能都会写得比较简洁,主要用于记录自己的学习成果。 Self-Guided Network for Fast Image Denoising (ICCV2019)这篇论文提出了一个自指导的网络用于图像快速去噪,该网络采用一种自指导的方式,用低分辨率下得到的图像特征和上下文信息来指导精细尺度下图像的去噪过程,其中每个分支的输入图像是用shuffle操作来得......

NIR引导的RGB图像增强

Near Infrared Image Guided Enhancement

堕落了很久的我又来更新博客啦,恰逢春节,先给大家拜个年,祝大家鼠年大吉,平安喜乐都属于你!也希望疫情能快快过去吧! 这篇文章主要介绍一下用红外图像引导得图像增强,在光照条件不好的情况下,可见光图像中很多信息会丢失或者看不到,而红外图像的波长比较长,可以获得更多的细节信息,因此就可以利用红外图像来引导可见光图像的增强,包括去噪、去雾等。 DenseFuse: A Fusion......

Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images(TIP18)

单张图像对比度增强

这是一篇单一图像对比度增强的论文,传统的单一图像对比度增强方法包括基于HE和Retinex理论,但由于自然场景的复杂性和单张图像包含的信息有限,往往很难产生高质量的结果。因此有了基于多曝光图像序列的图像增强,主要有多曝光图像融合(MEF)和高动态范围图像堆叠(stack-based HDR image),再加上色调映射,但这些序列图像中会,存在模糊或者物体移动,导致得到的结果产生伪影。为了解......

介绍几篇最近看的低光照图像增强的论文

本博客主要为了记录一下自己看的一些论文,方便对比回顾,若有问题欢迎指出。 背景图像在较低的光照下拍摄往往存在亮度低、对比度差等问题,从而影响一些high-level任务,因此低光照图像增强的研究具有很强的现实意义。现有的方法主要分为两类,基于直方图均衡的方法和基于Retinex理论的方法。基于HE的方法主要是扩大图像的动态范围从而增强整幅图像的对比度,是一个全局的过程,没有考虑亮度的......

Learning to See in the Dark(CVPR2018)

介绍这篇论文最大的贡献之一就是提供了一个真实世界的低光照图像和对应reference的数据集,但这些图像不是传统的类型,属于raw sensor data,低光照图像是短曝光下得到的,对应的ref为长曝光,SID数据集总共包含5094对。图像由两部相机Sony α7S II 和Fujifilm X-T2拍摄得到,其对应的传感器分别为Bayer和X-Trans,得到的图像分辨率为4240×283......

MSR-net Low-light Image Enhancement Using Deep Convolutional Network (arxiv17

介绍这是第一篇将CNN与Retinex理论结合起来的论文,提出了一个多尺度Retinex卷积网络,端到端的实现低光照图像增强,属于有监督学习,即输入为一张暗的图像,输出为亮图。本文的最大创新点在于其认为多尺度的Retinex理论等价于一个不同高斯卷积核组成的反馈卷积神经网络,可以写成如下形式:网络结构由三部分组成,分别为多尺度的对数变换,差分卷积和色彩复原函数,如下:目标函数为:所用的数据集......

基于深度学习的图像增强综述

总结了几篇自己看过的论文

距离上一次写博客过去半年了,好快呀,研一就过去了,课都上完了,从此走上科研道理。 介绍图像增强的定义非常广泛,一般来说,图像增强是有目的地强调图像的整体或局部特性,例如改善图像的颜色、亮度和对比度等,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,提高图像的视觉效果。传统的图像增强已经被研究了很长时间,现有的......

凸优化ADMM(Alternating Direction Method of Multipliers)交替方向乘子算法

ADMM算法理论与应用

介绍交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)是一种解决可分解凸优化问题的简单方法,尤其在解决大规模问题上卓有成效,利用ADMM算法可以将原问题的目标函数等价的分解成若干个可求解的子问题,然后并行求解每一个子问题,最后协调子问题的解得到原问题的全局解。ADMM 最早分别由 Glowinski & Marroc......