簡介

(1) 論文 （期刊和發表時間）
Fast Image Processing with Fully-Convolutional Networks (ICCV 會議 2017)
(2) 論文鏈接
https://openaccess.thecvf.com/content_iccv_2017/html/Chen_Fast_Image_Processing_ICCV_2017_paper.html
(3) 源代碼鏈接
https://github.com/CQFIO/FastImageProcessing

主要idea

大部分圖像處理模型, 例如 multiscale tone manipulation 和 nonlocal dehazing 等, 在進行運算時計算量較大且運算時間久. 一般的加速圖像處理模型的算法會大幅降低原始模型的效果, 比如先對圖像降維, 在低分辨率下處理圖像, 然后再升維. 本文提出了一種基于全卷積網絡的加速圖像處理方法, 該方法在全分辨率的圖像上運行, 進行端到端的訓練, 在提高運行效率的同時以最大限度地提高準確性. 對比其他加速圖像處理的方法, 本文的方法取得更好的效果.

實驗簡介

數據集： 共采用兩個數據集
a. MIT-Adobe 5K 數據集：包含 5K 張高分辨率照片, 本文使用默認的 2.5K / 2.5K 訓練/測試拆分.
b. RAISE 數據集：包含三年內由四位攝影師拍攝的 8156 張高分辨率 RAW 圖像.本文從這 8K 張圖片中隨機抽取 2.5K 張圖像進行訓練, 并隨機抽取其他 1K 張圖像進行測試.

實驗設計： 本文將提出的加速算法應用到 10 個不同的圖像處理模型上(Rudin-Osher-Fatemi、TV-L1 image restoration、L0 smoothing, relative total variation、image enhancement by multiscale tone manipulation、multiscale detail manipulation based on local Laplacian filtering、photographic style transfer from a reference image、dark-channel dehazing、nonlocal dehazing 和 pencil drawing), 并對比了另外七種加速算法.

實驗結果

在 10 個模型中, 我們選擇了兩個與提高對比度相關的 multiscale tone manipulation 模型和 nonlocal dehazing 模型進行實驗驗證.
（1）多尺度校準 multiscale tone manipulation
輸入1：

輸出1：

（2）非局部去霧nonlocal dehazing
輸入1：

輸出1：

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(1)--Fast Image Processing with Fully-Convolutional Networks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。