qq_42250642的博客

Fast Perceptual Image Enhancement论文简介这篇文章是ECCV-PRIM2018年挑战赛的，在图像增强任务上获得第二名，它是在DSLR论文的模型作为baseline，在它的基础上改进了生成器模型，判别器模型和loss函数的设计都跟baseline一样，但其速度大大提升，因此可以适用于移动设备上。这篇文章通过在较低空间分辨率下完成大部分处理的网络架构，在CPU上实现了显著高于基准的平均意见得分(MOS)，同时将计算速度提高了6.3倍。网络结构DSLR网络结构本文的生

Learning to See in the Dark论文简介本文提出了一种新的图像处理技术：通过一种数据驱动的方法来解决极端低光条件下快速成像系统的挑战。且引入了一个数据集，包含有原始的低曝光率、低亮度图片，同时还有对应的长曝光率图像。利用该数据集，提出了一种端到端训练模式的全卷积网络结构，用于处理低亮度图像。该网络直接使用原始传感器数据，并替代了大量的传统图像处理流程。最终，实验结果表明这种网络结构在新数据集上能够表现出出色的性能。目的本文的目的是为了在光线不足的条件下产生在感知良好的图像，而不

Deep Bilateral Learning for Real-Time Image Enhancement论文简介：本文提出了一种新的网络架构，它可以在全分辨率图像上实时执行图像增强，同时仍能捕捉高频效果。其主要采用的技术为双边网格处理和局部仿射颜色变换。三个策略：论文提出来的三个策略：切片：将大部分的预测在低分辨的双边网格下进行，每个像素包括的x，y维和第三维表示颜色，可以用来在对3D双边网格做切片操作的时候考虑到输入的颜色，从3D双边网格以全图像分辨率重建输出图像。仿射颜色变换：学习输

Image-to-Image Translation with Conditional Adversarial Networks

Classification-Driven Dynamic Image Enhancement论文简介这是CVPR2018的一篇文章，基于分类的动态图像增强，这个论文首次将图像增强任务与分类结合起来，不同于现有的图像增强方法去评判增强后图像的感知质量，而是用分类结果的准确性来衡量图像增强的质量。本文的主要贡献是联合优化一个CNN用于增强和分类，我们通过动态卷积自适应地增强图像中的特征来实现这一目标，使得CNN结构能够选择性地增强那些有助于提高图像分类的特征。网络的整体结构给定一张输入图像，不是直

Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs论文简介：网络结构：损失函数：实验及结果：总结：

WESPE: Weakly Supervised Photo Enhancer for Digital Cameras论文简介：网络结构：损失函数：实验及结果：总结：

DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks源码：https://github.com/aiff22/DPED论文简介：数据集：方法：实验及评估：总结：