helloWorld

摘要： 一. Motivtaion 低光图像增强目前的方法不能同时处理低亮度、低对比度、颜色失真 二.Contribution 1. 提出一个全局组件可以有效提高处理速度 2. 设计了几个新奇的损失函数 三. Network 对应代码有点出入： 网络结构解读： GFE： 获取图像的HSV（Hue:色调，S饱 阅读全文

摘要： 一. motivation 对于区域含有较高的峰值信噪比（SNR）则可利用局部信息进行图像增强，但是对于区域含有很低的SNR，则无法利用局部信息，此时非局部信息就非常重要 二. contribution 提出（1）一个利用卷积结构设计的短分支方便利用局部信息，一个利用transformer结构设计的 阅读全文

摘要： 1. motivation （1）低光增强不能处理复杂的场景 （2）需要耗费大量的计算 2.contribution （1）节省计算 （2）发明了自监督的SCI模块（SCI的核心是引入额外的网络模块（自校准照明）来辅助训练，而不是用于测试） 大佬链接：(11条消息) 低照度增强--论文阅读【《Tow 阅读全文

摘要： 1. tensor索引 [:, 0:3 , ] 代表从0行开始，一共3-0行 b = torch.arange(16,dtype=float).reshape(1, 4, 4) print(b) print(b[ :, 0:1, ]) 阅读全文

摘要： 图像去暗光和图像去雾/去雨是两个不同的任务，它们的本质区别如下： 目标不同：图像去暗光的目标是增强低光照下的图像，使其更加明亮和可见。而图像去雾/去雨的目标是去除图像中由于大气或雨滴散射引起的视觉模糊和失真，使其更加清晰和自然。 效果不同：图像去暗光的结果主要体现为亮度和对比度的增强，而图像去雾/去 阅读全文

摘要： 1. 图片送入transformer进行网络计算的格式为[B, N, C] 其中B为batch_size, N为序列长度（H*W/p*p), C是通道数 阅读全文

摘要： 1. motivation 受到图像编辑软件的启发 2. Contribution （1）无监督 （2）设计图像高阶曲线适应适合像素级映射，通过迭代自身 （3）设计了四个无参考损失函数 3. Network 3.1 DCE-Net DCE-Net： 是由6个Conv2D（3x3）+ relu，分别输 阅读全文

摘要： 1、np.ndarray # 将data_lowlight结构数据转化为nsarray float 再将图片进行归一化 data_lowlight = (np.asarray(data_lowlight) / 255.0) 2、np.histogram 直方图 提取直方图的思路是：统计图像中像素点为 阅读全文

摘要： LLFormer 1、rearrange：重塑形状 大佬链接：https://zhuanlan.zhihu.com/p/594012790 import torch import torch.nn.functional as F from einops import rearrange input 阅读全文

摘要： 1、 图像增强的方法分为频域法和空域法，空域法主要是对图像中的各像素点进行操作；而频域法是在图像的某个变换域内，修改变换后的系数，例如傅立叶变换、DCT 变换等的系数，对图像进行操作，然后再进行反变换得到处理后的图像。下面具体对频域增强的方法进行介绍。 频域增强定义和步骤 频域增强是利用图像变换方法 阅读全文