论文阅读笔记:Deep Chain HDRI: Reconstructing a HDR Image from a Single LDR Image
Lee, S., An, G. H., & Kang, S. J. (2018). Deep chain HDRI: Reconstructing a high dynamic range image from a single low dynamic range image. IEEE Access, 6, 49913-49924.
论文PDF: Deep chain HDRI: Reconstructing a high dynamic range image from a single low dynamic range image
摘要:
此论文提出了一种新颖的深度神经网络模型,该模型可从单个低动态范围(LDR)图像重建HDR图像。模型基于由膨胀的卷积层组成的卷积神经网络,并从同一场景的单个LDR图像推断具有各种曝光和照明的LDR图像, 然后,可以通过合并这些推断结果来形成最终的HDR图像。对于所提出的方法而言,找到相对不同比特深度(没有看懂文章中如何体现不同位深)的LDR与HDR之间的映射相对简单,这是因为链结构可推断给定LDR图像的亮(或更暗)曝光的LDR图像之间的关系。该方法不仅扩展了范围,而且具有恢复实际物理世界的光信息的优点。所提出的方法是端到端的重建过程(训练过程是分子网络并行训练),并且能够轻松组合网络以扩展更多范围的优势。在实验结果中,与传统算法相比,该方法在性能上实现了数量和质量上的提高。
- INVERSE TONE MAPPING (ITM):逆色调映射
存在两个问题:一是从LDR到HDR的映射函数很难找到,因为范围变宽后缺少映射信息.二是如果输入图像的元数据不存在(光圈,快门,传感器灵敏度等),不可能准确估计HDR亮度,因为像素值可能会相同的对于曝光值,即使是来自不同的场景
- 论文主要思路:
从LDR图像生成不同曝光度的LDR图像(6个曝光度),然后,将7个曝光度的LDR图像融合得到HDR图像.
生成不同曝光度LDR图像的网络结构:
- 全局网络结构:
- 局部子网络结构:
- 每个子网络的损失函数:
pixel loss:
Total variation regularization:为了提高预测图像的平滑度和防止过拟合.
在合并7个曝光度图片时,使用的是 P. E. Debevec and J. Malik, ‘‘Recovering high dynamic range radiance
maps from photographs,’’ in Proc. ACM SIGGRAPH Classes, 2008, p. 31. 文献中的方法.
文章使用自己的数据:
- 为什么使用连式结构:
相同 scene下不同EV(曝光值)之间平均PSNR情况:差异是因为随着EV的变化,进入相机的光量信息改变.
图7表示曝光值越大,离输入图像空间越远,因此,随着曝光值差的增大,在改变亮度的同时恢复图像细节变得越困难.需要较深的网络结构,来推理两个图像之间的关系.通过连式结构,依次推断出EV.
论文阅读笔记:Deep Chain HDRI: Reconstructing a HDR Image from a Single LDR Image相关推荐
- [论文阅读笔记]Deep Neural Networks are Easily Fooled:High Confidence Predictions for Unrecognizable Images
Deep Neural Networks are Easily Fooled:High Confidence Predictions for Unrecognizable Images(CVPR201 ...
- 论文阅读笔记--Deep Visual Saliency on Stereoscopic Images
文章完整信息: 标题:Deep Visual Saliency on Stereoscopic Images 作者:Anh-Duc Nguyen ; Jongyoo Kim ; Heeseok Oh ...
- 【论文阅读】DEEP GRAPH INFOMAX(DGI)
DEEP GRAPH INFOMAX(DGI) 摘要 1 Introduction 2 相关工作 2.1 对比方法 2.2 抽样战略 2.3 预测编码 3 DGI Methodology 3.1 基于 ...
- DSSD : Deconvolutional Single Shot Detector论文阅读笔记
文章目录 DSSD : Deconvolutional Single Shot Detector论文阅读笔记2017 Abstract 1. Introduction 2. Related Work ...
- DCP(Deep Closest Point)论文阅读笔记以及详析
DCP论文阅读笔记 前言 本文中图片仓库位于github,所以如果阅读的时候发现图片加载困难.建议挂个梯子. 作者博客:https://codefmeister.github.io/ 转载前请联系作者 ...
- 论文阅读笔记——VulDeePecker: A Deep Learning-Based System for Vulnerability Detection
本论文相关内容 论文下载地址--Engineering Village 论文中文翻译--VulDeePecker: A Deep Learning-Based System for Vulnerabi ...
- 论文阅读笔记:Improving Attacks on Speck32 / 64 using Deep Learning
论文阅读笔记:Improving Attacks on Speck32 / 64 using Deep Learning 本文通过神经网络利用了减少轮数的 Speck 的差分性质.为此,作者对神经网络 ...
- 论文阅读笔记——A deep tree-based model for software defect prediction
本论文相关内容 论文下载地址--Web Of Science 论文中文翻译--A deep tree-based model for software defect prediction 论文阅读笔记 ...
- VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION(VGG网络)-论文阅读笔记
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION VGG网络 论文阅读笔记 //2022.4.11上午9:53开始阅 ...
最新文章
- 拿下中科大的计算机课程全靠它了!
- python和vba操作excel_python调用excel中VBA代码
- MSSQL返回季度开始月和某月是第几季度
- 使用二维码识别技术的好处_人脸识别技术什么场景都能使用吗?
- Spring Boot 2.3.3 正式发布!
- deny后加to do还是doing_become to do还是doing
- centos7默认字体_CentOS7终端的分辨率和字体修改
- C++全局函数与成员函数的区别
- 刪除主表中不存在記錄的從表資料
- Linux下安装jre
- 河南城建学院的计算机科学与技术,河南城建学院计算机科学与工程系
- could not resolve property: qid of: org.lxh.myzngt.vo.Answer [SELECT COUNT(q.qid) FROM org.lxh.myzn
- Foxmail是否可以隐藏文件夹?【网易企业邮箱申请】
- timeline java_Java Timeline.stop方法代码示例
- 瞎扯:修仙文明VS科技文明发展潜力
- 百度App组件化之路
- 详解C语言中的#define、#undef、#indef、#ifndef、#else、#endif,#if,#elif
- 电脑变时钟,防止消息游戏新闻的打扰,形成高效率的办公和学习
- 解决webpack打包css时CssSyntaxError的问题
- abb机械手故障代码20082_ABB机器人报错代码:按事件日志进行故障排除报错代码1...