基于深度学习的图像增强论文代码汇总

1.ExCNet: A Framework for Zero-Shot Restoration of Back-lit Images Using Deep Internal Learning

论文代码
简介：如何恢复背光图像仍然是一项具有挑战性的任务。该领域最先进的方法基于监督学习，因此它们通常仅限于特定的训练数据。在本文中，我们提出了一种用于背光图像恢复的“零镜头”方案，该方案利用了深度学习的力量，但不依赖于任何先前的图像示例或先前的训练。具体来说，我们在测试时训练一个小型图像特定的 CNN，即 ExCNet（Exposure Correction Network 的缩写），以估计最适合测试背光图像的“S 曲线”。一旦估计了 S 曲线，就可以直接恢复测试图像。ExCNet 可以适应每张图像的不同设置。这使得我们的方法广泛适用于不同的拍摄场景和各种背光条件。对 1512 张真实背光图像进行的统计研究表明，我们的方法可以大大优于竞争对手。据我们所知，我们的方案是第一个基于 CNN 的无监督背光图像恢复方法。为了使结果可重现，源代码可在本网站上获得。

2.RetinexNet

代码(https://github.com/aasharma90/RetinexNet_PyTorch)

3.kinD

代码（包含一些其他的分解方法代码和数据集）(https://github.com/zhangyhuaee/KinD_plus)