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

9月前作者：ssf-yasuo 分类：Toy博客阅读(44) 违法举报

这篇具有很好参考价值的文章主要介绍了Lightening Network for Low-Light Image Enhancement 论文阅读笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Lightening Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,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 $R_{LL}$ 到 $R_{NL}$ 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图。

这里的 $L_1$ , $L_2$ ,和 $D$ 如下图所示
FA 模块则如下图所示，就是一个通道注意力模块：
损失函数是增强结果的TV loss和SSIM loss的和
LOL数据集上的实验结果，看起来还不错：
启发是，back porjection和残差学习的作用还是挺大的，同时，网络是iteratively地增强的，也就是说中间出现了很多3通道的增强结果，这一点相比其他网络中间只是特征来说，更有可解释性。文章来源地址https://www.toymoban.com/news/detail-572656.html

到了这里，关于Lightening Network for Low-Light Image Enhancement 论文阅读笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

LIME: Low-light Image Enhancement viaIllumination Map Estimation

当人们在低光条件下拍摄图像时，图像通常会受到低能见度的影响。除了降低图像的视觉美感外，这种不良的质量还可能显著降低许多主要为高质量输入而设计的计算机视觉和多媒体算法的性能。在本文中，我们提出了一种简单而有效的微光图像增强(LIME)方法。更具体地说，

2024年02月05日
浏览(40)
低照度增强--论文阅读【《Toward Fast, Flexible, and Robust Low-Light Image Enhancement》】

介绍一篇最近看的低照度增强方面的论文——自校准照明，文中所给的方法取得了非常不错的效果，值得我们去学习和思考。论文名称：Toward Fast, Flexible, and Robust Low-Light Image Enhancement（实现快速、灵活和稳健的低光照图像增强）论文信息：由大连理工大学2022年4月发表在

2024年02月06日
浏览(53)
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

2024年02月16日
浏览(45)
C# OpenCvSharp DNN Low Light image Enhancement

目录介绍效果模型信息项目代码下载 C# OpenCvSharp DNN Low Light image Enhancement github地址：https://github.com/zhenqifu/PairLIE Model Properties ------------------------- --------------------------------------------------------------- Inputs ------------------------- name：input tensor：Float[1, 3, 512, 512] name：exposure

2024年02月21日
浏览(47)
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Jie Huang（ECCV2022的FEC CVPR2022的ENC和CVPR2023的ERL的一作）喔，看来可能是和Jie Huang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customi

2024年02月02日
浏览(46)
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

2024年02月14日
浏览(44)
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 2.1 Layer Decomposition Net 2.2 Reflectance Restoration Net 2.3 Illumination Adjustment Net 实验结果总结 Kindling the Darkness: A Practical Low-light Image Enhancer（KinD） ACM MM 2019 Yonghua Zhang, Jiaw

2024年02月05日
浏览(59)
论文详读：Beyond Brightening Low-light Images (Kind++)

文章地址：Beyond Brightening Low-light Images (tju.edu.cn) github：GitHub - zhangyhuaee/KinD_plus: Beyond Brightening Low-light Images 目录一、简介二、方法网络整体结构：分解网络网络结构损失函数：总损失反射网络网络结构损失函数反射图的调整光照网络网络结构和损失函数与伽马变化

2024年02月04日
浏览(41)
【对比度增强】Learning Tone Curves for Local Image Enhancement（LTMNet）

LTMNet这篇文章借鉴了CLAHE算法，所有步骤与CLAHE一致，不同之处在于LTMNet中局部映射曲线是通过CNN预测得到，而CLAHE中是通过直方图均衡化而得。关于CLAHE，【数字图像处理】直方图均衡化这篇博客有简单介绍。论文：Learning Tone Curves for Local Image Enhancement 代码：https://github.co

2023年04月23日
浏览(46)
Generative Diffusion Prior for Unified Image Restoration and Enhancement 论文阅读笔记

这是CVPR2023的一篇用diffusion先验做图像修复和图像增强的论文之前有一篇工作做了diffusion先验（Bahjat Kawar, Michael Elad, Stefano Ermon, and Jiaming Song, “Denoising diffusion restoration models,” arXiv preprint arXiv:2201.11793, 2022. 2, 4, 6, 7），但这个模型只能做线性的退化，对于暗图增强这种非线性

2024年02月15日
浏览(49)