DCE-Net的输入是低光图像,而输出是一组用于相应高阶曲线的像素级曲线参数图。使用一个简单的CNN,由七个卷积层组成,具有对称的连接。每个层包括32个大小为3×3和步长1的卷积核,随后是ReLU激活函数,去掉了破坏相邻像素关系的降采样和批归一化层。最后一个卷积层后面跟着Tanh激活函数,生成了24个参数图,用于8次迭代...
而图像提亮问题恰好就是一个输入、输出都是图像的问题。在此之前,既有基于CNN的方法,也有基于GAN的方法。人们尝试构造更精巧的网络,希望网络能输出亮度更合适的图像。 可是,Zero-DCE别出心裁,返璞归真地用了一种更简单的方式来生成亮度更合适的图像。还记得本文开头提到的,PhotoShop里的那个亮度映射曲线吗?实际上,...
本文构建的CNN由7个具有对称结构的卷积层组成(类似于U-Net),前6层的卷积核为(3x3x32,stride=1)然后接一个ReLU激活,抛弃了down-sampling和bn层(作者认为这会破坏领域像素间的关系),最后一层卷积通道为24(用于8个迭代轮次的parameter maps),接一个Tanh激活函数。
成本高:收集足够配对数据、在训练深度模型中包含虚假和不真实数据。CNN泛化能力差,会产生伪影和偏色。 GAN:无监督训练,有消除配对数据进行训练的优势,但要仔细选择未配对的训练数据。 EnlightenGAN:基于GAN的无监督先驱方法,使用不成对的弱光/正常光数据来增强弱光图像。通过精心设计的鉴别器和损失函数对网络进行了训练。
21、s1.1,所述zero-dce的设计思路,即利用cnn估计图像中每个像素的高阶映射方程,作为增强,基本思想便是给定图像,估计像素的变换曲线; 22、s1.2,传统局部对比度增强思路,是将图像分块,通过每个分块信息,或者灰度,或是直方图(也可包括其他传统方法)确定一个单调的映射曲线处理,这与zero-dce的思路近乎一致,只是后者ze...
所述Zero‑DCE网络的设计,利用CNN估计图像中每个像素的高阶映射方程,作为增强, 其基本思想是给定图像,估计像素的变换曲线,函数要满足三个条件: a、作用域[0,1],值域[0,1]; b、曲线可微; c、曲线单调,保证增强之后像素相对大小关系不变。 3.根据权利要求2所述的一种基于Zero‑DCE网络结构改善为有监督用于...
Curve LE-curve可反复应⽤，以实现更灵活的调整，以应对具有挑战性的低光条件。LE_{n}(x) = LE_{n-1}(x) + {\alpha}_nLE_{n-1}(x)(1-LE_{n-1}(x))其中，n是迭代的次数，⽂中将迭代次数设置为8，可以满⾜⼤多数情况. 当n为1时，上式就退化为了基本形式。Processing math: 0% ...
CNN方法:大多数依赖配对数据做监督训练。成本高。CNN泛化能力差,会产生伪影和偏色。 GAN方法:无监督训练,有消除配对数据进行训练的优势,但要仔细选择unpaired data。 Zero-DCE方法:定义无参考损失函数Non-Reference Loss Functions,不需要任何paired或unpaired的数据 ...
算法思想:利用 CNN 估计图像中每个像素的高阶映射方程,作为增强;并设计四个非参考的损失函数以满足无参考训练。 给定图像,估计像素的变换曲线,函数需要满足以下三个条件: 作用域[0, 1],值域 [0, 1] 曲线足够简单、可微 曲线单调,保证增强之后像素相对大小关系不变 ...
The original DCE-Net [5] used a simple CNN composed of seven convolution layers. It has a U-net structure. In the first six convolution layers, each convolution layer consists of 32 convolution layers, the kernel size is 3 × 3 of which stride is 1, followed by the ReLU activation func...