在線安卓軟件開發(fā)優(yōu)化大師官網(wǎng)下載
- 這是ACMMM2019的一篇有監(jiān)督暗圖增強的論文,KinD
- 其網(wǎng)絡結(jié)構(gòu)如下圖所示:
- 首先是一個分解網(wǎng)絡分解出R和L分量,然后有Restoration-Net和Adjustment-Net分別去對R分量和L分量進一步處理,最終將處理好的R分量和L分量融合回去。這倒是很常規(guī)的流程。其中有些novel的細節(jié),一個是分解網(wǎng)絡利用得到的R分量來指導L分量的提取。一個是可控的亮度調(diào)節(jié)模塊
分解網(wǎng)絡
-
分解網(wǎng)絡的損失函數(shù)如下:其中前兩個損失很常見,分別是重建損失和暗圖亮圖具有相同R的約束。第三個損失是L分量的平滑損失,不過用原圖的梯度進行歸一化,以使得暗圖的邊緣區(qū)域得以保留;第四個損失同樣是對L分量的平滑損失,這里則是用一個曲線使得梯度值居中的部分(噪聲)平滑掉
-
-
-
-
L i s L D = L^{LD}_{is}= LisLD?=
-
-
-
R的重建網(wǎng)絡
- restoration net的損失函數(shù)如下,是暗圖的R的修復結(jié)果和亮圖的R的各種距離度量:
I 的調(diào)整網(wǎng)絡
- illumination adjustment net的輸入除了分解網(wǎng)絡估計的 L L L,還有一個全為 α \alpha α的concatenate到 L L L的feature map, α \alpha α表示調(diào)節(jié)因子,可以用目標 L L L除以輸入的 L L L去global average得到。網(wǎng)絡的功能是將輸入的 L L L調(diào)整為target的 L L L。這一方法相比其它retinex的方法直接對 L L L進行gamma校正的手段,具有更好的效果。
- 這一模塊的損失函數(shù)如下,這一損失要算兩次的,一次是暗圖的 L L L作為輸入,亮圖的 L L L作為target,一次是反過來:
實驗結(jié)果
方法的可視化效果和NIQE都非常不錯,在LOL上的PSNR也很高: