【光照增强论文略读】Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

这篇题为《用于低光照图像增强的零参考深度曲线估计》的论文介绍了一种名为Zero-DCE的创新方法,用于增强低光照图像。其主要创新点在于,它在训练过程中不需要成对或非成对的参考图像,因此是一种“零参考”方法。通过轻量级深度学习模型DCE-Net,该方法能够估计逐像素的高阶曲线,实现图像的增强。
在这里插入图片描述

本文的主要贡献包括:

  1. 将低光照增强重新定义为曲线估计问题,而不是传统的图像到图像转换。
  2. 提出了无需参考图像训练网络的非参考损失函数集合。
  3. 开发了一个高效且轻量的网络,能够实时运行,并在不同的光照条件下表现出竞争力。

该方法能够很好地适应各种光照条件,保持增强后图像的自然外观,并且在低光环境下提升了诸如人脸检测等高级任务的表现。论文还从定性和定量角度展示了Zero-DCE相较于现有方法的优势。

贡献的第一点:将低光照增强重新定义为曲线估计问题,而不是传统的图像到图像转换

传统的低光照图像增强方法通常使用图像到图像的映射,即通过直接从输入的低光照图像生成增强后的图像。这类方法需要依赖大量的训练数据来学习这种映射关系,而且往往需要成对的低光照和正常光照图像来训练模型。

在Zero-DCE中,作者提出了一种新思路,将低光照图像增强重新定义为图像特定的曲线估计问题。具体而言,模型的目标是生成一组高阶曲线,这些曲线应用于输入图像的每个像素,以调整动态范围,提升图像亮度。这样做的好处是通过调整像素值的映射曲线来增强图像,而不是直接进行复杂的图像到图像转换。这种方式可以更好地保留图像细节,并减少常见的过度增强或失真现象。

贡献的第二点:提出了无需参考图像训练网络的非参考损失函数集合

许多现有的深度学习方法需要成对或非成对的参考图像来监督训练,通常需要大量的标注数据,如低光照图像及其相应的正常光照图像。这种依赖参考图像的数据驱动方法存在数据收集困难、训练数据量大的问题,并且可能会导致模型在处理未见过的数据时表现不佳。

Zero-DCE的一个重要创新是引入了一组非参考损失函数,这些损失函数无需使用任何参考图像来评估图像增强的质量。具体而言,作者设计了四种非参考损失函数,分别是空间一致性损失、曝光控制损失、颜色恒常性损失和光照平滑损失。通过这些损失函数,网络可以在没有成对数据的情况下学习图像增强任务。这不仅降低了对数据的依赖,还提高了模型的泛化能力,使得Zero-DCE在各种复杂的光照条件下仍能表现出色。

“损失函数无需使用任何参考图像来评估图像增强的质量”的解释

在深度学习的图像增强任务中,通常需要参考图像(比如一张高质量的正常光照图像)来评估模型生成的增强图像的质量,这种方式被称为“监督学习”。模型通过比较输出的增强图像和参考图像之间的差异来调整参数,最终生成高质量的增强图像。然而,获取大量的参考图像可能非常困难,尤其是对于低光照增强任务而言,成对的低光照和正常光照图像并不总是容易获得。

Zero-DCE的创新之处在于,它使用了一组非参考(无需参考图像)的损失函数,这意味着模型在训练过程中并不依赖任何参考图像,而是通过这些特殊的损失函数自行评估增强图像的质量。这些损失函数从不同角度评估增强图像的质量,比如图像的亮度、对比度、颜色等,确保图像在视觉上看起来自然且有足够的亮度和细节。

Zero-DCE中的损失函数

Zero-DCE使用了四种非参考损失函数来帮助模型在没有参考图像的情况下学习如何增强图像:

  1. 空间一致性损失(Spatial Consistency Loss, ( L spa (L_{\text{spa}} (Lspa))

    • 这个损失函数用来保持增强图像中相邻像素之间的亮度差异与输入图像相似。它确保了增强图像中的相邻区域保持一致的对比度和边缘信息,避免增强过程中对比度的过度拉伸或降低。
    • 公式计算邻域像素之间的亮度差异,鼓励增强后的图像在局部区域保持一致。
  2. 曝光控制损失(Exposure Control Loss, ( L exp (L_{\text{exp}} (Lexp))

    • 该损失函数用于控制图像的曝光度,确保图像不会出现过度曝光或曝光不足。它通过比较局部区域的平均亮度与理想的曝光值来限制过亮或过暗的区域。
    • 在实验中,理想曝光值设置为0.6,表示图像中的亮度应该接近中等灰度水平。
  3. 颜色恒常性损失(Color Constancy Loss, ( L col (L_{\text{col}} (Lcol))

    • 该损失基于“灰世界假设”,即图像中的每个颜色通道平均应该趋向于灰色(即红、绿、蓝通道的平均值应该相近)。该损失函数用来校正增强图像中的颜色失真,确保图像的颜色看起来自然,三通道的颜色关系保持一致。
    • 公式通过比较红、绿、蓝通道的平均值差异,减少颜色偏移。
  4. 光照平滑损失(Illumination Smoothness Loss, ( L tvA (L_{\text{tvA}} (LtvA))

    • 该损失函数通过限制光照曲线参数的变化,保持增强图像的亮度变化平滑。它旨在避免增强图像中的光照突然变化,确保光照平滑过渡,从而避免出现不自然的光照效果。
    • 通过计算光照曲线参数的梯度,确保相邻像素的光照调整保持平滑过渡。

这些损失函数共同作用,确保模型在没有参考图像的情况下,仍然能够生成高质量的增强图像,使其看起来自然且细节丰富。

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:http://www.xdnf.cn/news/1536111.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

SAP学习笔记 - 开发06 - CDSView + Fiori Element 之 List Report

上一章讲了Fiori UI5开发环境搭建和实践: - VSCode 安装Fiori Tools插件 - SEGW 创建后台程序,注册服务,Gateway Client确认服务 - 使用SEGW公开的服务来查询数据显示到页面 SAP学习笔记 - 开发05 - Fiori UI5 开发环境搭建2 Fiori Tools…

北极星计划的回响:从Leap Motion到Midjourney的AI 3D硬件梦想

在科技的浩瀚星空中,总有一些梦想如同北极星般璀璨,指引着探索者前行。六年前,Leap Motion的CEO David以一篇充满激情的博客文章,向我们揭示了“北极星计划”——一个旨在打破数字与物理界限,创造流畅统一体验的增强现实平台。今天,随着Midjourney在AI文生图领域的全球爆…

使用OpenFeign在不同微服务之间传递用户信息时失败

文章目录 起因原因解决方法: 起因 从pay-service中实现下单时,会调用到user-service中的扣减余额。 因此这里需要在不同微服务之间传递用户信息。 但是user-service中始终从始至终拿不到user的信息。 原因 在pay-service中,不仅要Enable O…

Android 10.0 mtk平板camera2横屏预览旋转90度横屏保存圆形预览缩略图旋转90度功能实现

1.前言 在10.0的系统rom定制化开发中,在进行一些平板等默认横屏的设备开发的过程中,需要在进入camera2的 时候,默认预览图像也是需要横屏显示的,在上一篇已经实现了横屏预览功能,然后发现横屏预览后,点击录像和照片下保存的圆形预览缩略图 依然是竖屏的,所以说同样需要…

【JavaEE】IO基础知识及代码演示

目录 一、File 1.1 观察get系列特点差异 1.2 创建文件 1.3.1 delete()删除文件 1.3.2 deleteOnExit()删除文件 1.4 mkdir 与 mkdirs的区别 1.5 文件重命名 二、文件内容的读写----数据流 1.1 InputStream 1.1.1 使用 read() 读取文件 1.2 OutputStream 1.3 代码演示…

【LLM多模态】文生视频评测基准VBench

note VBench的16个维度自动化评估指标代码实践(待完成)16个维度的prompt举例人类偏好标注:计算VBench评估结果与人类偏好之间的相关性、用于DPO微调 文章目录 note一、相关背景二、VBench评测基准概述:论文如何解决这个问题&…

yum install时候报错

报错 Another app is currently holding the yum lock; waiting for it to exit 另外一个yum命令完成了死锁大概率是因为执行yum 命令的时候报错,然后强制退出了 解决方法 找到进程杀死进程 ps aux | grep yum这个进程号:你在上述命令和报错中都看的进程…

ubuntu20.04下载cuda11.8

nvidia官方地址:https://developer.nvidia.com/cuda-downloads wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run输入该命令后 sudo sh cuda_11.8.0_520.61.05_linux.run gedit ~/.bashrcexport…

9. Transforms的使用(四)--Compose

Transforms的使用(四) 1. 为什么要使用Compose类 在深度学习模型的训练过程中,往往需要对图像按顺序进行一系列的变化,如果把系列变化按顺序写成代码会比较冗余Compose实现了将所有的系列变化进行集合的操作,从代码层…

【智路】智路OS air-edge 开发者手册 功能概述

功能概述 https://airos-edge.readthedocs.io/zh/latest/airospkg/airospkg.html 智路OS包支持部署在智路OS开源版本和智路OS发行版。 智路OS发行版(airos distribution)是基于智路OS的商业化版本。包括智路OS内核层、系统工具、库、软件包管理系统等…

【裸机装机系列】6.kali(ubuntu)-图形界面优化-让linux更适合你的使用习惯

接下来就是图形化界面操作的部分了。会用少量截图来说明,图太多会影响阅读体验,直接文字来描述过程吧。 1> 入口 任务栏左上角——> 开始菜单——> settings——> settings manager 大部分配置都会在这里面设置。 2> 设置里面分的4大…

CS61C 2020计算机组成原理Lab01-数字表示,溢出

1. Exercise 1 :See what you can C # 用gcc 来编译可执行文件如program.c gcc program.c # 就可以得到一个executable file named a.out. ./a.out# 如果想给这个可执行文件命名,则使用 -o gcc -o program program.c ./program# 使用-g 能得到一个 可执行程序的deb…

ElementUI 布局——行与列的灵活运用

ElementUI 布局——行与列的灵活运用 一 . 使用 Layout 组件1.1 注册路由1.2 使用 Layout 组件 二 . 行属性2.1 栅格的间隔2.2 自定义元素标签 三 . 列属性3.1 列的偏移3.2 列的移动 在现代网页设计中&#xff0c;布局是构建用户界面的基石。Element UI 框架通过其强大的 <e…

计算架构模式之接口高可用

接口高可用整体框架 接口高可用主要应对两类问题&#xff1a;雪崩效应和链式效应。 雪崩&#xff1a;当请求量超过系统处理能力之后&#xff0c;会导致系统性能螺旋快速下降&#xff0c;本来系统可以处理1000条&#xff0c;但是当请求量超过1200的时候&#xff0c;此时性能会下…

深入理解算法效率:时间复杂度与空间复杂度

目录 引言 一、算法效率的基础 二、时间复杂度 1.概念 2.常见类型 1.O(1) — 常数阶 2.O(n) — 线性阶 3.O(n^2) — 平方阶 4.O(2^&#x1d45b;) — 指数阶 5.O(log &#x1d45b;) — 对数阶 3.总结 三、空间复杂度 1.概念 2.常见类型 1.O(1) — 常数阶 2.…

为你的 Github 仓库引入自动构建的Github Pages静态页面

1. 设置config文件 在Github仓库根目录下创建_config.yml文件。其中的内容为&#xff1a; plugins:- jekyll-relative-links relative_links:enabled: truecollections: true include:- CONTRIBUTING.md- README.md- LICENSE.md- COPYING.md- CODE_OF_CONDUCT.md- CONTRIBUTI…

性能小白终于能看懂Jmeter报告了

对于刚接触性能测试的初学者来说&#xff0c;分析JMeter生成的测试报告无疑是一个巨大的挑战。面对大量的数据信息&#xff0c;如何快速理解响应时间、吞吐量、错误率等关键指标&#xff0c;往往让人感到困惑。今天&#xff0c;让我们一起探讨如何轻松看懂JMeter的性能测试报告…

沉浸式体验和评测Meta最新超级大语言模型405B

2024年7月23日&#xff0c; 亚马逊云科技的AI模型托管平台Amazon Bedrock正式上线了Meta推出的超级参数量大语言模型 - Llama 3.1模型&#xff0c;小李哥也迫不及待去体验和试用了该模型&#xff0c;那这么多参数量的AI模型究竟强在哪里呢&#xff1f;Llama 3.1模型是Meta&…

nodejs 007:错误npm error Error: EPERM: operation not permitted, symlink

完整错误信息 npm error Error: EPERM: operation not permitted, symlink npm warn cleanup Failed to remove some directories [ npm warn cleanup [ npm warn cleanup C:\\Users\\kingchuxing\\Documents\\IPFS\\orbit-db-set-master\\node_modules\\ipfs-cli, npm…

C++11 回调函数

【C引用进阶】C11 回调函数 文章目录 【C引用进阶】C11 回调函数 回调函数的实现往往是应用层&#xff08;更上层&#xff09;的程序拥有&#xff0c;而调用者是底层的程序。 相当于说&#xff0c;底层的程序是一个服务员&#xff0c;应用层程序是客人&#xff0c;客人需要客房…