qq_45858803的博客

这篇博客主要记录文献中出现的架构，以及组成架构的组件

今天读的这篇文章中提到了一种以前没有接触的模型，这个模型使用了双分支的网络来处理图像增强的问题（将图像增强问题分解为亮度调整和色度恢复两个子问题），其中一个分支为亮度调整网络（LAN），另一个分支为色度恢复网络（CRN）。具体而言，全局和局部聚合块（GLAB）被开发为LAN的构建块，它由一个变换分支和一个双重注意力卷积块（DACB）组成，以学习非局部表示和局部信息。最后，提出了一个融合网络，将LAN和CRN学习到的表示结合起来，生成正常光照图像。

颜色直方图是一个图表，横轴表示颜色值（例如RGB颜色空间中的红、绿、蓝分量），纵轴表示对应颜色值出现的频率。

python 总结

优化器的选择，损失函数的选择（自定义），学习率的设置。

下采样和上采样及其实现的方式下采样（Downsampling）上采样（Upsampling）具体应用中的选择总结标题上采样和下采样是图像处理中重要的操作，通过选择合适的方法，可以有效地提取和恢复图像特征。在深度学习模型中，根据具体需求选择合适的上采样和下采样方法，可以显著提升模型性能和效率。

Sigmoid函数，全称为sigmoid激活函数，是一种常用的非线性函数，其数学表达式为：[ f(x) = \frac{1}{1 + e^{-x}} ]这个函数将输入的实数值映射到(0, 1)区间内，当输入值趋近于正无穷大时，Sigmoid函数的输出接近1；当输入值趋近于负无穷大时，其输出接近0。在中间区域，函数呈现出平滑的S型曲线，因此得名“Sigmoid”。在神经网络中，Sigmoid函数起到了以下几个关键作用：非线性转换：神经网络的核心能力在于通过多层非线性变换来学习复杂的输入输出关系。Sigmoid