這是2017年ICIP的一篇論文，使用一個聯合架構對影象進行增強。首先，是一個去噪網路；然後使用可以自動根據通道亮度優先設定轉換函式的增強網路；此外，還設定了一個額外的估測周圍環境亮度的過濾器。
  過去的方法包括基於retinex理論的方法，這個方法假定去除光照影響可以增強低照影象，但是這種方法是對RGB影象進行處理的，容易造成顏色失真；基於直方圖均衡化的處理，主要用來增加影象的對比度，但是其對較暗區域處理效果比較差，造成顏色失真；最近還有基於去霧演算法的增強演算法，以及黑暗通道優先的方法，當然這些方法缺少一些成熟的理論，處理出的影象也過於誇張。論文提出基於大氣散射的光照模型去增強低照影象。
  網路的處理流程分為兩步，第一步是去噪，第二步是對去噪後的影象做亮度增強，網路框架如下所示：

  一般的去噪演算法是通過估測影象中高斯白噪聲的方差去噪，而這裡則是通過DCNN進行去噪。在網路裡這裡通過將影象分成一個個Patch方便處理，通過將殘差圖加上原有的噪聲圖作為輸出，和無噪聲影象進行比較進行訓練。這和VDSR的思路很像，最後的實驗結果在暗光下效果較好，如下圖所示：

  低照影象增強模型是基於大氣散射模型的，表示式如下所示：

E(d,λ)=E0(λ)e−β(λ)d+E∞(1−e−β(λ)d)$$E(d,\lambda )=E_0(\lambda )e^{-\beta (\lambda )d}+E_{\mathrm{\infty }}(1-e^{-\beta (\lambda )d})$$
其中E(d,λ)$E(d,\lambda )$是相機獲取的影象，E0(λ)$E_0(\lambda )$是沒有衰減的原始物體影象，

β(λ)$\beta (\lambda )$是散射係數，d是物體和觀測之間的距離，E∞(λ)$E_{\mathrm{\infty }}(\lambda )$是無窮遠處的散射值。
  這裡令d′=d+de$d^{\prime }=d+d_e$，那麼上式變為了：
E(d,λ)=E0(λ)e−β(λ)dee−β(λ)d+E∞(1−e−β(λ)dee−β(λ)d)$$E(d,\lambda )=E_0(\lambda )e^{-\beta (\lambda )d_e}{e}^{-\beta (\lambda )d}+E_{\mathrm{\infty }}(1-e^{-\beta (\lambda )d_e}{e}^{-\beta (\lambda )d})$$
其中E0(λ)e−β(λ)de$E_0(\lambda )e^{-\beta (\lambda )d_e}$相當於場景光線影象，de$d_e$用來模擬光線衰減的過程，我們的目標是從E(d,λ)$E(d,\lambda )$中恢復E0(λ)$E_0(\lambda )$。令:
E0(x)=E0(λ)$$E_0(x)=E_0(\lambda )$$
t(x)=e−β(λ)dee−β

(λ)d$$t(x)=e^{-\beta (\lambda )d_e}{e}^{-\beta (\lambda )d}$$
E(x)=E∞(λ)$$E(x)=E_{\mathrm{\infty }}(\lambda )$$
這樣只要得到t(x)和E(x)就行了，由於暗光條件下的特殊性，t(x)和E(x)不能通過一般方法直接得到。
  接下來是用亮度通道優先的方法處理影象，即將影象通道的值歸一化到0到1之間，對於自然影象，其三個通道肯定會有一個通道接近於1，如果區域存在陰影，則該區域的亮度優先通道會變成0。如下所示：
max(maxEc0(y))→1$$max(max{E}_0^c(y))\to 1$$
  在一定的區域內，一般假定傳輸t(x)和環境光照E(x)是不變的，對左右兩式都做亮度通道優先處理，得：
max(maxI(y))=max(maxE0(y))t(x)+(1−t(x))E(x)$$max(maxI(y))=max(max{E}_0(y))t(x)+(1-t(x))E(x)$$
對上式進行變換就可以得到t(x),實際中不能對影象進行完全變亮增強，這會使影象看起來不真實，因此表示式可以表示為：
t(x)=

相關推薦

閱讀論文《LOW-LIGHT IMAGE ENHANCEMENT USING CNN AND BRIGHT CHANNEL PRIOR》

  這是2017年ICIP的一篇論文，使用一個聯合架構對影象進行增強。首先，是一個去噪網路；然後使用可以自動根據通道亮度優先設定轉換函式的增強網路；此外，還設定了一個額外的估測周圍環境亮度的過濾器。   過去的方法包括基於retinex理論的方法，這個方法假定

論文筆記：Image Caption(Show, attend and tell)

Show, Attend and Tell: Neural Image Caption Generation with Visual Attention Show, Attend and Tell 1、四個問題 要解決什麼問題？ Image Cap

EmotiW2016第一論文Video-based emotion recognition using CNNRNN and C3D hybrid networks

這篇論文主要利用了RNN和C3D解決視訊分類問題，其中RNN將CNN從每個視訊幀中提取出來的特徵進行時序上的編碼，C3D對人臉表徵和運動資訊同時建模，最後再融合音訊特徵，完成視訊分類。本文以59.02%的正確率較EmotiW 2015 53.8%的正確率高出許多。

《Single Image Haze Removal Using Dark Channel Prior》論文閱讀及復現

前言 先讓我們來膜拜何凱明大佬這篇獲得CVPR 2009的Best Paper Award論文。這篇論文的靈感來自自於作者2個觀察，第一個是在3D遊戲中的霧使得作者堅信人眼有特殊的東西去感知霧，而不僅僅是靠對比度。第二個是作者觀察了之前的一篇去霧論文:《Sing

閱讀論文《Deep Bilateral Learning for Real-Time Image Enhancement》

   這是2017 siggraph的一篇論文，寒假boss讓我看這篇論文我沒怎麼看懂。最近在公司實習，發現該論文的成果已經移到手機端上了，效果還非常不錯。這裡我重新溫習了一下這篇論文，發現有許多可以借鑑的地方，是一篇非常不錯的論文，這裡重新敘述一下，談談我的理

Single Image Haze Removal Using Dark Channel Prior 論文閱讀與程式碼實現

He 提出暗通道去霧方法進行了詳細的描述，該方法以大氣散射模型為基礎，利用暗通道先驗原理求出全球大氣光成分A和透射率t。先使用了軟摳圖對透射率圖進行優化，但是運算時間過長。後來使用引導濾波精細化透射率圖，縮短了一部分運算時間。 暗通道先驗： 在絕大多數非天空的區域性區域裡

【論文閱讀】Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connection

開發十年，就只剩下這套架構體系了！ >>>   

HYPERSPECTRAL IMAGE CLASSIFICATION USING TWOCHANNEL DEEP CONVOLUTIONAL NEURAL NETWORK閱讀筆記

數據 eight 說明 enter 像素點 維數 tran vertica 通用 HYPERSPECTRAL IMAGE CLASSIFICATION USING TWOCHANNEL DEEP CONVOLUTIONAL NEURAL NETWORK 論文地址：h

論文閱讀筆記（六）Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

采樣 分享 最終 產生 pre 運算 減少 att 我們 作者：Shaoqing Ren, Kaiming He, Ross Girshick, and Jian SunSPPnet、Fast R-CNN等目標檢測算法已經大幅降低了目標檢測網絡的運行時間。可是盡管如此，仍然

《An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its...》論文閱讀之CRNN

An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition paper: CRNN 翻譯：CRNN

Image Super-Resolution Using Very Deep Residual Channel Attention Networks 閱讀理解

2018 CVPR Image Super-Resolution Using Very Deep Residual Channel Attention Networks Code https://github.com/yulunzhang/RCAN   親測效果不錯

閱讀筆記之——《Multi-level Wavelet-CNN for Image Restoration》及基於pytorch的復現

本博文是MWCNN的閱讀筆記，論文的連結：https://arxiv.org/pdf/1805.07071.pdf 程式碼：https://github.com/lpj0/MWCNN 通過參考程式碼，對該網路在pytorch框架下進行復現     inco

【論文閱讀】A Correlated Topic Model Using Word Embeddings

《A Correlated Topic Model Using Word Embeddings》 Abstract 傳統的主題模型能夠通過用邏輯正態分佈代替先驗的Dirichlet來捕捉潛在主題之間的相關結構。word embeddings 已經被證明能夠捕捉語義規律，因此語義相

【文章閱讀】【超解像】--Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections

【文章閱讀】【超解像】–Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections RED-Net：Residual Encoder-Decoder Networks 論文連結

論文筆記：Histology Image Classification using Supervised Classification and Multimodal Fusion

該部落格由EMMA原創，隨意轉載，部落格原連結 Histology Image Classification using Supervised Classification and Multimodal Fusion 原文連結：paper 出處

文獻閱讀:Image Super-Resolution Using Very Deep Residual Channel Attention Networks

文章地址：https://arxiv.org/abs/1807.02758 補充材料地址：Support-RCAN 作者的專案地址： RCAN-Pytorch 1 網路介紹     在這篇文章中，作者提出了一種讓CNN更深的方法：首先要做的就是

3D Shape Retrieval using Volumetric and Image CNNs: A Meta Algorithmic Approach閱讀筆記

1，該論文的網路組成： 一個網路用來處理二維多檢視得到的圖片，另外兩個網路用來處理體素表示的三維物體 2，3D物體的分類和識別的作用 三維物體生成（3D object creation） 3D列印（3D printing） 數字製造(3D digital manuf

Low Level Image Processing論文記錄(個人)

Low Level Reconfiguring the Imaging Pipeline ★★ [Paper] Reconfiguring the Imaging Pipeline for Comp

視頻顯著性檢測-----Predicting Video Saliency using Object-to-Motion CNN and Two-layer Convolutional LSTM

layer lin -- 分享圖片 組合 object idt red 9.png 幀內顯著性檢測： 將卷積網絡的多層特征進行組合通過unsampling 得到粗顯著性預測； 幀間顯著性檢測： （粗檢測結果+新卷積網絡的特征圖，最後+之前卷積網絡的卷積特征輸入到LST

論文筆記-Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation

mach default rap lin -s rnn alias for wrap 針對機器翻譯，提出 RNN encoder-decoder. encoder與decoder是兩個RNN，它們放在一起進行參數學習，最大化條件似然函數。 網絡結構： 註意輸入語句與