sice数据集part2

最新推荐文章于 2025-02-17 15:05:41 发布

OrigamiSun

最新推荐文章于 2025-02-17 15:05:41 发布

阅读量307

点赞数 2

文章标签： python

本文链接：https://blog.youkuaiyun.com/OrigamiSun/article/details/142383728

版权

链接：https://pan.baidu.com/s/1bH9k2ZRCzfbNCN6cm6FNGA?pwd=w30s
提取码：w30s

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

OrigamiSun

关注关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

TPAMI 2025 | 噪声自回归：一种无需任务相关数据的新学习范式用于低光图像增强

小白学视觉

04-16

基于深度学习的低光图像增强（LLIE）任务旨在利用深度神经网络增强图像的光照，同时保持图像内容不变。从训练数据的角度来看，现有方法主要通过以下三种数据类型之一来完成LLIE任务：配对数据、非配对数据和无参考数据。每种数据驱动的方法都有其独特的优势，例如，基于无参考数据的方法对训练数据的要求非常低，能够在许多场景中满足人类需求。本文提出了一种利用纯高斯噪声来完成LLIE任务的方法，进一步降低了LLIE任务对训练数据的要求，并可以作为实际应用中的另一种替代方案。

CVPR 2020代码开源的论文最全合集

阿木寺的博客

06-20

2720

前言之前Amusi整理了1467篇CVPR 2020所有论文PDF下载资源，详见：全在这里了！ CVPR2020-Code CVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文（如CVPR 2019、ICCV 2019、ECCV 2018）以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-vision CNN 图像分类目标检测 3D目标检测视频目标检测

1 条评论您还未登录，请先登录后发表或查看评论

数据融合matlab代码-SICE:从多重曝光图像中学习深层单图像对比度增强器（TIP2018）

05-22

数据融合matlab代码从多重曝光图像中学习深层单图像对比度增强器抽象的由于不良的照明条件和数字成像设备的动态范围有限，因此记录的图像通常曝光不足/曝光过度且对比度较低。大多数以前的单图像对比度增强（SICE）方法都会调整色调曲线以校正输入图像的对比度。但是，由于单个图像中的信息有限，这些方法通常无法揭示图像细节。另一方面，如果我们可以从适当收集的培训数据中学习更多信息，则可以更好地完成SICE任务。在这项工作中，我们建议使用卷积神经网络（CNN）来训练SICE增强器。一个关键问题是如何为端到端CNN学习构建低对比度和高对比度图像对的训练数据集。为此，我们建立了一个大规模的多重曝光图像数据集，其中包含589个精心挑选的高分辨率多重曝光序列和4,413张图像。采用十三种代表性的多曝光图像融合和基于堆栈的高动态范围成像算法来生成每个序列的对比度增强图像，并进行主观实验以筛选质量最好的图像作为每个场景的参考图像。利用构建的数据集，可以轻松地将CNN训练为SICE增强器，以改善曝光不足/曝光过度图像的对比度。实验结果证明了我们的方法相对于现有SICE方法的优势，并且具有很

低照度图像数据集

最新发布

qq_45987837的博客

02-17

811

数据集

SICE：基于CNN的多曝光图像增强网络论文解读

CleMints的博客

11-28

6808

目录一、文章摘要概述这是一篇2018年图像处理领域Top之一的TIP期刊文章，针对过曝光/欠曝光的单图像对比度增强(SICE)，相较于之前的调整色调曲线以矫正输入图像的对比度不能有效增强图像细节问题，提出使用卷积神经网络(CNN)分步训练多个SICE图像增强器，在提升图像对比度同时保恢复了图像细节。为此，文章创新性的做了如下工作：建立一个大规模的多曝光图像数据集，包含多场景高分辨率图像序...

二维码提升对比度文献调研(2)--Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

爱学习爱运动的专栏

07-30

500

简介论文（期刊和发表时间） Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 会议 2020) 论文链接 https://openaccess.thecvf.com/content_CVPR_2020/html/Guo_Zero-Reference_Deep_Curve_Estimation_for_Low-Light_Image_Enhancement_CVPR_2020_paper.html 源代码

【4K-Resolution Photo Exposure Correction at 125 FPS with ∼8K Parameters】

weixin_45914567的博客

12-19

1278

图像曝光矫正

Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement文献调研.docx

08-01

在实验部分，研究者使用了SICE数据集的一部分（包含3022张不同曝光程度的图像，其中2422张用于训练）和DARK FACE数据集（包含9000张未标注的低光照图像）进行训练。通过移除不同的损失函数，研究者验证了每个损失...

基于零参考深度曲线估计的暗光图像增强

猛龙过江ing

11-14

8826

天下事以难而废者十之一，以惰而废者十之九。——《严氏家训·议兵篇》

CVPR 2020 论文大盘点-人体姿态估计与动作捕捉篇

我爱计算机视觉

06-18

1万+

本文盘点CVPR 2020 所有人体姿态估计（Human Pose Estimation）、手势识别（Gesture Recognition）、人体形状与姿态估计（HumanShape...

【从成对的微光实例学习一种简单的微光图像增强器】

weixin_45914567的博客

04-18

1320

微光图像增强（LIE）旨在提高在微光条件下拍摄的图像的对比度和恢复细节。以前的大多数LIE算法使用具有几个手工制作的先验的单个输入图像来调整照明。然而，由于单个图像中的信息有限以及手工制作的先验的适应性差，这些解决方案往往无法揭示图像细节。为此，我们提出了PairLIE，这是一种无监督的方法，可以从微光图像对中学习自适应先验。首先，当两个输入共享相同的图像内容时，期望网络生成相同的干净图像。为了实现这一点，我们将Retinex理论应用于网络，并使两个反射率分量一致。

Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images阅读札记

weixin_43101257的博客

08-18

2695

从多曝光图像中学习深度单图像对比度增强器

3、Zero-DCE论文学习

clf20731的博客

05-28

1948

分类：Zero-shot Learning数据集：SICE、NPE、LIME、MEF、DICM、VV、DARK FACEspatial consistency loss（空间一致性损失函数）exposure control loss（曝光控制损失函数）color constancy loss（颜色恒定损失函数）illumination smoothness loss（照明平滑度损失函数）评估标准：User Study PI;PNSR SSIM;现存难点。

【论文笔记】—低光图像增强—Zero-reference—ZeroDCE—2020-CVPR

chaiky的博客

08-23

3341

该文章提出了一种 light-weight deep network 的方法用于解决 Low-Light 图像增强问题。它将这个任务转换为了一个 image-specific 曲线估计问题(图像作为输入，曲线作为输出)，这类曲线对在输入的动态范围内进行像素级调整，从而获得增强图像。作者通过设置一系列 non-reference 的损失函数(可以间接反映增强质量)，使得网络在没有任何参考图像的情况下能够进行 end-to-end 训练。...

常见低光图像增强数据集

lutlx20010913的博客

01-10

2468

早期的数据集通常用于传统和基于模型的方法，这对数据的数量和质量没有严格的要求，随着深度学习在低光图像增强领域的发展，一个优质的低光图像增强通常需要庞大且成对的数据集，首先得足够庞大，能够全面反映真实世界里问题、图像及概念的各种变化。接下来，我们会列举一些现有的典型数据集

CVPR2020|ZeroDCE《Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement》论文超详细解读（翻译＋精读）

路人贾的博客

01-24

4601

CVPR2020|ZeroDCE《Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement》论文超详细解读（翻译＋精读）

SICE数据集分辨率过高

01-21

### 如何降低SICE数据集的分辨率对于高分辨率的数据集，如SICE（Simultaneous Ice Cloud and aerosol Explorer），当其分辨率过高影响到计算效率或存储需求时，可以采取多种方法和技术来适当降低分辨率。 #### 方法一：重采样技术最常用的技术之一是利用GIS软件中的栅格重采样功能。此过程涉及改变像元大小从而减少空间细节。常见的重采样算法有最近邻法、双线性插值以及三次卷积插值等。这些方法能够有效地调整原始影像的空间分辨率至所需水平[^1]。 ```python from osgeo import gdal def resample_raster(input_file, output_file, target_resolution): ds = gdal.Open(input_file) warp_options = gdal.WarpOptions(xRes=target_resolution[0], yRes=target_resolution[1]) gdal.Warp(output_file, ds, options=warp_options) resample_raster('input_sice.tif', 'output_resampled.tif', (0.625, 0.4712)) ``` 上述Python脚本展示了如何使用GDAL库执行简单的重采样操作，其中`target_resolution`参数指定了目标经纬度间隔作为新的分辨率标准。 #### 方法二：聚合降尺度另一种策略是对相邻像素进行平均或其他统计汇总运算以形成更大尺寸的新单元格。这种方法特别适用于那些不需要保留精细特征的应用场景。例如，在气象分析中经常使用的网格化处理就属于此类别。 #### 工具推荐 - **QGIS**: 开源地理信息系统平台提供了直观易用界面来进行各类地图编辑工作，内置强大的栅格数据分析能力支持自定义设置输出分辨率。 - **ArcGIS Pro**: 商业级产品拥有更高级别的定制选项和服务集成特性，适合大规模项目部署实施。 - **ENVI/IDL**: 面向科学家用户的遥感图像处理环境，具备丰富的光谱变换和可视化工具链。