Deep Retinex Decomposition for Low-Light Enhancement 论文阅读笔记
C. Wei, W. Wang, W. Yang, and J. Liu, “Deep retinex decomposition for low-light enhancement,” in BMVC, 2018.
总的来说,就是提出利用一个分解网络首先将输入的图片分解为照度分量和反射分量,然后用一个增强网络调节照度分量,并用去噪算法对反射分量进行去噪。将去噪后的反射分量和增强后的照度分量相乘得到增强结果。同时提出了一个数据集.
这里有一段对基于Retinex的模型的介绍:
为了训练分解网络,设定了两个约束:1. 成对的亮图和暗图其反射分量应该相同;2. 照度分量要平滑且保留主要结构信息(阴影等),用修改后的总变分损失来约束。
总的来说,loss是由三部分组成
首先是重建损失。首先输入一组paired的图片,低光的和低光自身可以算一个分解后的重建损失,正常光照同理,然后正常光照分解后的反射分量和低光的照度分量相乘可以和低光图片算一个重建损失,低光照分解后的反射分量和正常光照的照度分类相乘可以和正常光照图片算一个重建损失。个人觉得这个设计非常巧妙。
然后是反射分量的损失,指低光照图片分解后的反射分量和正常关照图片分解后的反射分量的差求绝对值
对于照度分量,我们希望它不具有太多纹理,但又要保存结构信息,也即一些边界。换句话说,有些梯度我们是要的,比如光被挡住之类的形成的一个强梯度,有些梯度我们是不需要的比如物体表面的颜色性纹理。为此如果直接采用总变分损失来最小化图片整体的梯度,会丢失掉我们想要保留的边界,因此文章对TV Loss做了修改:
上述修改使用了反射分量梯度的负对数来加权照度分量的变分损失,因此梯度强烈的地方损失会因为这个对数权重而变小,从而保留结构信息导致的强梯度。注意这里用的是反射分量的梯度,而LIME中使用的是照度分类(不仅不是反射分量而且不是梯度)。我感觉这里使用反射分量的梯度其实也不太合理的样子。比如,如果一面墙上有许多黑白斑点,那么照度分类在这里应该是平缓的而不会有很多陡峭的变换,可反射分量就会有很多陡峭的梯度,这时利用反射分量的梯度的负对数来加权照度分类的总变分损失就是错误的。
由于我们希望照度分量尽量平滑,那么噪声就多数留在了反射分量。为此要对反射分量进行去噪。用的是BM3D(非深度学习)这个算法来去噪的
Deep Retinex Decomposition for Low-Light Enhancement 论文阅读笔记相关推荐
- A Two-Stage Unsupervised Approach for Low Light Image Enhancement 论文阅读笔记
这是一篇无监督暗图增强论文,来自RAL期刊(JCR1区) 文章将暗图增强任务分解两个阶段,第一阶段用基于retinex的传统方法进行预增强,第二阶段用refinement network 来进一步提高 ...
- 低光图像增强论文:Self-supervised Image Enhancement Network: Training with Low Light Images Only阅读笔记
论文地址:https://arxiv.org/abs/2002.11300 项目地址:https://github.com/hitzhangyu/Self-supervised-Image-Enhan ...
- 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 ...
- 文献阅读 2018 Deep Retinex Decomposition for low-light Enhancement
一.名词解释 以下名词按照在论文中出现的先后顺序列出,如果不是,当我没说: CNN:Convolutional Neural Networks 卷积神经网络.An algorithm based ...
- HLA-Face: Joint High-Low Adaptation for Low Light Face Detection论文阅读笔记
HLA-Face: Joint High-Low Adaptation for Low Light Face Detection 论文阅读笔记 这是去年7月读这篇文章的笔记了,今年由于忘记了,又有需要 ...
- 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 ...
- 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
- 松江库卡机器人_上海高质量发展调研行|库卡机器人:为全球提供“松江创造”的产品...
- 【dfs】P1036 选数
- STM32开发 -- UART应用层通信协议分析
- 问题战略[置顶] 十八年开发经验分享(四)问题解决篇(下)
- SAP Spartacus全局配置模块里和layoutSlot相关的配置
- OpenDrive ARC绘制秘籍
- 怎么在oracle中使用for循环
- ssm 转发请求_springmvc(重定向和请求转发、数据的接收和回显)
- 毕业设计不要再做 XX 管理系统了
- kindle电子书和新闻推送及RSS资源…
- 配置gurobi到python(anaconda)
- python怎样使用各个日期赤纬_Python中的日期与时间常用方法总结
- Java细枝末节:运算符优先级表
- 面试官:多线程硬核50问!能回答一半就让你过
- VBA的 随机数 rnd 和 randomize 如何配合使用? 伪随机数带来的问题,根据需要产生不同的随机数!
- [附源码]java毕业设计网上鞋店管理系统
- java连接.accdb_尝试通过Java 8中的JDBC-ODBC连接到.accdb文件时...
- linux测试自动化,一种基于Linux系统下自动化测试RoCE性能的方法及系统与流程
- Ubuntu服务器的安装和配置----系统安装
- matlab 线性回归 参数显著性,基于Matlab的栅格数据一元线性回归及显著性检验(slope趋势分析)...
热门文章
- Java调用Python下载网页
- 史上最全最强的手机软件列表(特别推荐)
- ubuntu查看电脑配置命令
- Java+Python 微信公众号自动给女朋友推送专属浪漫早安问候
- php公众号自动回复链接,微信公众号自动回复超链接怎么添加-微信公众号添加自动回复超链接的方法 - 河东软件园...
- Activiti(二)简单请假流程实现
- 如何在library中使用productFlavors
- win7-32位系统,不能运行flash,解决方法。
- 别踩白块儿 开源免费(C++)
- centos部署http代理+解决国内服务器TGbot