低照度Underexposed Photo Enhancement using Deep Illumination Estimation论文笔记

基于深度学习优化光照的暗光下的图像增强 原论文作者 Ruixing Wang; Qing Zhang; Chi-Wing Fu Xiaoyong Shen Wei-Shi Zheng Jiaya Jia; 原论文CVPR2019链接 Abstract   本文提出了一种新的神经网络来增强曝光不足的照片。我们没有像以前那样直接学习图像到图像的映射，而是在我们的网络中引入中间光照，将输入与预期的增强结...

论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8953588 项目地址：https://github.com/wangruixing/DeepUPE CVPR2019 作者团队：腾讯优图 Abstract 不再像以前那样直接学习图像到图像的映射，而是在网络中引入中间照明，将输入与预期增强结果相关联，从而增强网络从专家修改的输入/输出图像对学习复杂的摄影调整的能力。 提出了一个采用光照约束和先验的损失函数，建立了

使用深度照明估计的欠曝光图像增强

出处 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 摘要 本文提出了一种新的神经网络来增强曝光不足的照片。我们不像以前的工作那样直接学习图像到图像的映射，而是在我们的网络中引入中间照明来将输入与预期的增强结果相关联，这增强了网络从专家修饰的输入/输出图像对中学习复杂照片调整的能力。在此模型的基础上，我们构造了一个对光照采用约束和先验的损失函数，准备了一个包含3000个曝光不足图像对的新数据集，并对网络进行

可能涉及的点。。 图像处理中，如一些去雾去雨算法等，直接在原图上操作的话计算量太大。因而常常下采样原图后再进行处理，处理完后再进行上采样恢复。但直接上采样，如最近邻，双线性等。都会有一定程度的不对齐。 paper1:Joint Bilateral Upsampling 即下采样处理完后再上采样的过程中，利用原图(大分辨率)的信息来辅助恢复上采样。f和gf和gf和g为双边滤波核，I~\tilde I...

Underexposed Photo Enhancement using Deep Illumination Estimation 来源：CVPR2019 目录Underexposed Photo Enhancement using Deep Illumination Estimation优点：提出背景：Methodology：Image Enhancement ModelNetwork ArchitectureLoss FunctionTraining DatasetImplementation Deta

DeepUPE论文阅读笔记

这篇文章做了啥？ 图像的增强，给定图像比较暗，通过增强的操作来增加欠曝光的图像的亮度。 和以往的图像到图像的生成不太一样，这篇文章首先产生了三个亮度的通道，用这三个亮度的通道的逆去乘原图像，得到的最后增强之后的图像 图像增强是一个非线性的过程，尽管很多图像处理软件可以对图像进行增强，但是需要非常专业的能力。一些手机软件提供了自动图像增强的能力，但是这种能力对于弱曝光的图像处理的并不是特别...

论文链接 代码链接 简要说明 本论文要解决暗光下图像的增强，原先主要作为直接学习图像之间的映射，而这篇文章作者引入中间照明在网络中来将输入与预期结果关联起来，这个可以增强网络从输入/输出图像对中学习复杂摄影调整能力。基于上述的模型，作者增加了一个损失函数来在照明上采用约束和优先级，准备一个新的3000暗光数据集图像对，训练网络来有效学习一个丰富多样的调整对各种光照条件。 ...

貌似是挺有争议的一篇文章，挺多人说这篇文章抄袭hdrnet，结果还中了CVPR的oral，不值这个价。暂时还没看hdrnet，所以我也不好评说，不过hdrnet的主页是这个这个，有空大概会去看一看。 Abstract、Introduction、Background 算法是用来增强曝光不足的图像的，之前的人们都是直接学习一个从图像到图像的映射，这里是引入了一个中间光照在输入和输出之间，增强了网络的能...

文章：Underexposed Photo Enhancement using Deep Illumination Estimation (DeepUPE) (CVPR2019) github:https://github.com/wangruixing/DeepUPE Loss: Reconstruction Loss + Smoothness Loss + Color Loss 摘要：该文章的任务是对曝光不足的图像进行增强。与之前的图像增强方法（直接学习图像到图像的映射）不同，DeepUPE学习.

Underexposed Photo Enhancement using Deep Illumination Estimation | CVPR 2019 工作 提出了一个通过估计出一个图像到光照的映射来对欠曝光图像进行增强，并在各种光照约束和先验的基础上设计新的损失函数 准备了一个新的数据集，含有3000张欠曝光的图像，每张图像都经过专业修复 对所提出的模型在现有的数据和新数据集上进行测试，显...

* VV (https://sites.google.com/site/vonikakis/datasets) * SID (https://cchen156.github.io/SID.html) * LOL (https://daooshee.github.io/BMVC2018website/) * NPE(http://blog.sina.com.cn/s/blog_a0a06f190101cvon.html) * MEF (http://ivc.uwaterloo.ca/database/MEF/