surymy

1. 参考文献2. 模型实现 % 论文： LIME: A Method for Low-light Image Enhancement% 作者：Xiaojie Guo% 链接：% Author: HSW% Date: 2018-04-27clc;close all;clear;addpath(genpath(‘removeHaze’));addpath(genpath(‘B...

过去虽然没有细看，但印象里一直觉得变分自编码器（Variational Auto-Encoder，VAE）是个好东西。趁着最近看概率图模型的三分钟热度，我决定也争取把 VAE 搞懂。 于是乎照样翻了网上很多资料，无一例外发现都很含糊，主要的感觉是公式写了一大通，还是迷迷糊糊的，最后好不容易觉得看懂了，再去看看实现的代码，又感觉实现代码跟理论完全不是一回事啊。 终于，东拼西凑再加上我这段时间对概率模型的一些积累，并反复对比原论文 Auto-Encodin...

目录1.图像复原相关资料数学机器学习图像处理2.如何写论文写论文之前写论文写论文工具论文的结构注意事项3. 如何读论文1.图像复原相关资料数学线性代数：-MIT线代基础-A 2020 Vision of Linear Algebra概率论：-MIT-概率论-MIT-统计学基础最/凸优化-Boyd斯坦福凸优化公开课机器学习浙江大学-研究生机器学习课程（李航-统计学习方法）机器学习-白板推导系列张志华-统计机器学习张志华-机器学习导论深度学习：李宏毅2020深度学习py

文章目录论文亮点：论文思路：三个输入图形第一图像第二图像第三图像权值图像融合实验结果主观评价客观评价实验代码论文亮点：背光图像不同于一般的低照度图像，它有很宽的动态光照范围，不仅包括了暗的部分，还会有亮的部分；文章的思路是考虑大量图像的特征，并单独处理暗和亮范围的图像；介绍了一种利用权值来增加清晰度的方法采用多尺度融合论文思路：如下图所示，首先作者把图像从RGB通道转到HSV通道（H:色相 S:饱和度 V:亮度），接着对V通道进行不同的（函数）操作得到三个输入图像，然后通过拉普拉斯金字塔和

文章思路①把图像转到YCbCr空间；RGB空间转换到YCbCr空间公式如下：②对Y分量用迭代多尺度引导滤波算法估计照度图像；在YCbCr空间内，Y是亮度、Cb是RGB输入信号蓝色部分与RGB信号亮度值之间的差异、Cr是RGB输入部分红色信号部分与RGB信号之间的亮度差异。因此，在进行Retinex处理时，只处理Y分量，就可以避免颜色失真，实现对色彩的保护。③以指数形式迭代增加尺度参数与平滑参数；传统的Retinex，不管是单尺度SSR还是多尺度MSR，都是以高斯滤波器作为估计低照度图像的低

最近读了一篇中文论文，发现真的还是中文看着舒服，大概整理一下思路，因为制片看过一篇关于Retinex分解的论文——微光增强的深Retinex分解——思路整理，所以这篇看起来也不费劲。首先，这也是一篇针对光照不足导致的图像质量退化的问题，作者提出使用两通道先验Retinex算法来补偿图像的光照强度。1. 具体思路：①先用亮通道运算对光照分量进行粗估计；②然后采用引导滤波方法解决局部处理带来的分块效应问题，但这会使补偿后的图像纹理模糊或直接丢失细节；③因此设计了融合细化策略；④最后再使用Retine

文章目录一、引出问题传统的单一图像对比度增强方法包括基于直方图和Retinex理论，但由于自然场景的复杂性和单张图像包含的信息有限，往往很难产生高质量的结果。因此有了基于多曝光图像序列的图像增强，主要有多曝光图像融合(MEF)和高动态范围图像堆叠（stack-based HDR image），再加上色调映射，但这些序列图像中会，存在模糊或者物体移动，导致得到的结果产生伪影。为了解决上述问题，这篇文章构造了一个大规模的多曝光率图像数据集，包含不同曝光率的低对比度图像及其对应的高质量参考图像，这个对应的参

文章目录一、模型结构二、实验1. 数据集2. 实验设置2. 实验结果三、反射上去燥四、结论传送门：文章地址：http://arxiv.org/abs/1808.04560源码地址：https://github.com/weichen582/RetinexNet一、模型结构Retinex模型假设把图像分解为反射率和光照两部分。在本文中，我们收集了一个包含低/正常光图像对的低光数据集(LOL)，并提出了一个基于该数据集的深度Retinex-Net，包括用于分解的Decom-Net和用于照明调节的Enh

趁着程序还在跑，来把过程中遇到的问题总结一下——希望世间再无bug问题一：各个模块的安装用到的之前没用过的模块当然需要自己安装一下，这也不算是问题比较麻烦的有两个：一个是是安装cv2，具体方法前几天也有总结，指路——no module named cv2，但这个的方法真的有点玄学，有的方法有的人就可以，但有的就不行，所以有点耐心，把能找到的方法都试一遍，总有一个适合你。另一个是解决pytorch_colors的问题，一开始我并没有意识到问题的严重性（毕竟第一次见），以为它也只是一个平平无奇的pip

下载地址：https://pypi.org/project/ez_setup/#filespip install --target=/pytnon_list/zero_reference/ez_setup-0.9 setuptools

在这篇论文中，我们呈现了一种新的深度学习方法，零参考深度曲线估计，来进行微光图像增强。它可以在各种各样的灯光条件包括不均匀和弱光情况进行处理。不同于执行图像到图像的映射，我们把任务重新设定为一个特定图像曲线估计问题。特别地，提出的这种方法把一个人微光图像作为输入，并把产生的高阶曲线作为它的输出。然后这些曲线被用作对输入的变化范围的像素级调整，从而获得一个增强的图像。曲线估计是精心制定的以便于它保持图像增强的范围并保留相邻像素的对比度。重要的是，它是可微的，因此，我们可以通过一个深度卷积神经网络来了解曲线的可

目录网络构建模块模型概述结构修改网络结构h-swishLite R-ASPP网络构建模块MobileNetV3 是神经架构搜索得到的模型，其内部使用的模块继承自：MobileNetV1 模型引入的深度可分离卷积（depthwise separable convolutions）；MobileNetV2 模型引入的具有线性瓶颈的倒残差结构(the inverted residual with linear bottleneck)；MnasNet 模型引入的基于squeeze and excitati

顾名思义，轻量级网络MobileNet是运行在移动端计算模型的网络，其创新点是深度可分离卷积。目的是用更少的参数、更少的运算，达到精度差不多的结果。MobileNetV1MobileNet V1是将原来的标准的卷积操作改为两层的卷积操作，也就是将原来标准的卷积操作因式分解成一个depthwise convolution和一个1*1的pointwise convolution操作，其中前一个卷积层的每一个filter都只跟input的每一个channel进行卷积，然后后面一个卷积负责combining，即

卷积神经网路的里程碑事件便是ResNet模型的出现，其核心是建立前后层之间的“捷径连接”，这有助于训练更深的CNN模型，从而得到更高的准确率。而这篇文章要介绍的是DenseNet（Densely Connected Convolutional Networks ），顾名思义，它是建立前面所有层与后面层的“稠密连接”，也就是说，将先前所有层的输出作为输入，而该层的输出作为之后所有层的输入。这也是DenseNet与ResNet之间最大的区别。假如有L层，在ResNet中有L个连接，而在DenseNet中，会

从零开始写一个神经网络，通常的方法是：定义网络结构指定输出层、隐藏层、输出层大小初始模型参数循环操作执行前向传播、计算损失、执行后向传输、权值更新1. 神经网络1.1 神经网络是怎么工作的？首先神经网络的结构包括三个层次：输入层、隐藏层和输出层。如下图所示：其中每个圆圈代表一个神经元，输入层和隐藏层之间有很多箭头相连接，每个连接都有一个权值，同层的神经元没有连接，通常神经网络都是全l连接的，也就是所有层都相互有链接且中间没有断层。第一层有4个输入结点，每个输入节点分别对应五个权值，

这篇文章写的真的太好了，每一个让我懵懵懂懂的点都解释的通俗易懂！！最佩服这种能把知识讲的浅显易懂的大佬，而不是故作高深写出来的东西晦涩难懂，致敬。

from PIL import Imageimport matplotlib.pyplot as pltimport numpy as npimg=Image.open("C:\\Users\\杨梦雨\\Desktop\\flower.jpg")m=np.asarray(img)plt.figure(figsize=(18,24))plt.imshow(m)<matplotlib.image.AxesImage at 0x23663889848>import numpy as

什么是卷积操作？三维的卷积是个怎样的计算过程？以及由此引发卷积后导致的尺寸变化摘要简化-将层次重新定义为剩余函数-更容易优化模型-深度越深精确度越高，且复杂度也降低-错误率低而赢得2015年ImageNet第一名深度是获奖的基本条件1.介绍模型深度丰富了深度网络的等级深模型问题：梯度消失/爆炸——导致难以收敛解决方案有两个：归一初始化和中间初始化退化问题——深度加深准确率无法提高，且训练和验证错误率比浅层更大实验内容：对比浅层模型和深层模型预测结果：深度模型的损失值会降

个人尝试翻译，不准确不到位之处欢迎批评指正！

部分单词总结