簡介

論文 （期刊和發表時間）
Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 會議 2020)

論文鏈接
https://openaccess.thecvf.com/content_CVPR_2020/html/Guo_Zero-Reference_Deep_Curve_Estimation_for_Low-Light_Image_Enhancement_CVPR_2020_paper.html

源代碼鏈接
https://github.com/Li-Chongyi/Zero-DCE

主要 idea

本文提出一種基于深度學習的 Zero-Reference Deep Curve Estimation(Zero-DCE)算法, 用于弱光圖像增強. 算法輸入為弱光圖像, 輸出為高階曲線. 輸出的高階曲線對在輸入的動態范圍內進行像素級調整, 從而獲得增強圖像.

實驗簡介

(1) 數據集： 1 個
SICE 數據集：本文采用 SICE 數據集的 360 個多曝光序列來訓練 DCE-Net. 將其中的3022 張不同曝光度的圖像隨機分成兩部分（2422 張圖像用于訓練, 其余用于驗證）. 并將訓練圖像的大小調整為 512×512.
SICE 數據集來著 2018 年發表在 IEEE TRANSACTIONS ON IMAGE PROCESSING 上的
論文 Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images. 通過七種不同的攝像設備(包括 Sony α7RII, Sony NEX-5N, Canon EOS-5D Mark II, Canon EOS-750D, Nikon D810, Nikon D7100 and iPhone 6s)采集各個場景、各種曝光值的圖像序列, 每個序列包含 3 到 5 張圖像, 收集源圖像后, 進一步篩選所需的序列以生成參考圖像. 最終的數據集
包括 589 個序列, 4413 張多重曝光圖像.
(2) 實驗設計： 本文在 NVIDIA 2080Ti GPU 上用 PyTorch 實現提出的框架. 并將本文提出的 Zreo-DCE 算法與三種常規方法、兩種基于 CNN 的方法和一種基于 GAN 的方法比較.

實驗結果

輸入1

輸出1

輸入2：

輸出2：

輸入3：

輸出3：

總結

以上是生活随笔為你收集整理的二维码提升对比度文献调研(2)--Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。