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

这篇具有很好参考价值的文章主要介绍了Progressive Dual-Branch 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。

Progressive Dual-Branch 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:
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记
    ARM模块如下图所示:
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记
    CAB模块如下图所示:
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记
    LKA模块其实就是放进去了一些大卷积核:
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记
    AFB模块如下图所示:
    Progressive Dual-Branch 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:
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记

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

  • 从实验结果看,色调是要好看一点,PSNR和SSIM还挺高:
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记
    Progressive Dual-Branch Network for Low-Light Image Enhancement 论文阅读笔记,论文阅读笔记,论文阅读,笔记

  • 总结:搭网络结构实在是没什么意思,正图反图双支路也有一些工作在做,唯一就是,这个平滑L1损失好像好几个工作用到,以后可以试试文章来源地址https://www.toymoban.com/news/detail-603784.html

到了这里,关于Progressive Dual-Branch 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!

领支付宝红包 赞助服务器费用

相关文章

  • 【论文笔记】PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and

    PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Localization 发布于IEEE Transactions on Circuits and Systems for Video Technology 2021 论文链接:https://arxiv.org/pdf/2103.10596v2.pdf 一作开源代码:https://github.com/proteus1991/pscc-net 开发了一种 渐进式空间通道相关网络 (PSCC-Net) 对图

    2024年02月01日
    浏览(32)
  • 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(29)
  • 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(27)
  • 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(31)
  • 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(31)
  • 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(32)
  • 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(39)
  • 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(34)
  • AIGC实战——ProGAN(Progressive Growing Generative Adversarial Network)

    我们已经学习了使用生成对抗网络 (Generative Adversarial Network, GAN) 解决各种图像生成任务。 GAN 的模型架构和训练过程具有很高的灵活性,通过改进 GAN 架构设计和训练过程,研究人员提出了多种不同的网络架构,本节中,我们将介绍 ProGAN ( Progressive Growing Generative Adversarial Net

    2024年04月09日
    浏览(29)
  • progressive random convolutions for single domain generalization论文阅读过程

    采用的是吴恩达老师的论文阅读方法。 Multiple passes[多次通读] Read the title/abstract/figures Title Progressive 采用渐进的方式,逐步改进模型性能或逐步引入新的技术。渐进性通常表示逐步迭代和改进。 Progressively stack randconv block【重复迭代】--block(变形偏移+仿射变换)【保留语义并

    2024年02月04日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包