簡介

（1）論文名稱：
DeepLPF: Deep Local Parametric Filters for Image Enhancement CVPR 2020
（2）論文鏈接：
https://arxiv.org/abs/2003.13985
（3）源代碼：
https://github.com/sjmoran/deep_local_parametric_filters

主要idea

本篇文章提出一種新穎的方法，它可以采用學習到的三種類型（橢圓濾波器、漸變濾波器以及多項式濾波器）的空間局部濾波器進行圖像增強。作者引入一種深度神經網絡（Deep Local Parametric Filters, DeepLPF）用于回歸這些空間局部濾波器的參數并利用這些濾波器對圖像進行增強。DeepLPF提供了一種很自然的形式進行模型正則、可解釋性、直覺調整，從而生成具有更好視覺效果的圖像。作者在多個數據集(Adobe-5K及變種)上驗證了所提方法的優異性能.

上圖給出了所提DeepLPF的網絡架構示意圖，給定低質輸入RGB圖像$I$及其對應的高質圖像$Y$，可以訓練DeepLPF學習變換$f_{\theta }$，此時有$\hat{Y}=f_{\theta }(I)$。
作者所設計的模型包含一個用于細粒度圖像增強的單流(single-stream)網絡，與一個用于局部增強的雙流(two-stream)網絡。
1.首先，采用標準CNN骨干網絡(如ResNet、UNet)估計一個維度為$C\times H\times W$的特征圖，其中前三個通道表示待調整圖像${\hat{Y}}_1$，其他$C_{{}^{\prime }}=C?3$通道將送入后續的是三個濾波器參數預測模塊；
2.然后，采用單流網絡用于預測多項式濾波器的參數并用于增強骨干網絡的輸出${\hat{Y}}_1$得到${\hat{Y}}_2$；
3.其次，增強后的${\hat{Y}}_2$將與特征$C^{{}^{\prime }}$進行拼接并送入雙流網絡學習局部增強濾波器(漸變濾波器、橢圓濾波器)參數，所學習到的兩種類型濾波器通過Add方式進行融合并得到尺度圖$\hat{S}$，該尺度圖將與前述增強圖像${\hat{Y}}_2$通過Multiply融合得到${\hat{Y}}_3$；
4.最后，通過骨干網絡增強的圖像${\hat{Y}}_1$將與所得到的${\hat{Y}}_3$通過Add方式融合得到最終的輸出$\hat{Y}$。
本文對用于圖像增強的自動參數化濾波器進行探索與研究。受啟發與專業圖像編輯工具與軟件，作者提出采用深度學習方式估計三種類型的濾波器（稱之為濾鏡可能更合適）參數，并用于指導圖像增強。本文所提方法具有更好的可操作空間，同時具有更好的可解釋性。該文為圖像增強方法的研究打開了一扇窗戶，它將有助于更多可落地AI畫質算法的落地與產品化。

實驗簡介

數據集：
作者選用了由兩個數據集衍生出的三個數據集。
(1)MIT-Adobe-5K-DPE;
(2)MIT-Adobe-5K_UPE;
(3)See-in-the-dark.

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(5)--DeepLPF: Deep Local Parametric Filters for 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。