本文介绍了利用深度混合网络进行低光照图像增强的技术，通过估计图像到光照的映射来改善曝光不足的问题。文章提到了RNN在网络中的作用，以及使用图像梯度和色彩损失作为优化目标。此外，数据集的创建也是一个关键贡献，包括从自然图像和真实设备拍摄的照片中获取数据。
- Low-Light Image Enhancement via a Deep Hybrid Network [TIP2019]
- Underexposed Photo Enhancement using Deep Illumination Estimation[CVPR2019]
---------
- Low-Light Image Enhancement via a Deep Hybrid Network [TIP2019]
作者提出一个混合的网络来同时学习内容（global content）和显著性结构（salient structure）。
为了学习内容的同时，增加边沿（edge）的情况，作者提出利用另一个RNN 网络来学习边沿信息.
比较核心的设计是RNN.
数据集（Dataset）:
1) 基于自然图像，使用Gamma变换生成变黑的图像，从而得到图象对[1]。
缺点Gamma变换是全局的，没办法考虑到图像的局部信息[1]。
b) 6000对，相机和手机拍照的图象对[2]。
缺点：但是没有严格对齐。
c) 自己从MIT-Adobe FiveK dataset
最低0.47元/天 解锁文章
扫一扫
1727
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
