import_torch_as_tf

最新的视频编码标准——高效视频编码（HEVC）在平方误差和（SSE）方面优化了其编码效率，这没有充分考虑输入视频的感知特性。因此，HEVC在感知视频编码的意义上是无效的。为了解决这一问题，基于人类视觉系统（HVS）的观察，提出了一种高效的基于感知灵敏度的HEVC速率控制（PSRC）方法。在第一阶段，所提出的方法开发了感知灵敏度测量，以评估每个编码树单元（CTU）和每个帧的感知灵敏度，然后将其用于指导比特分配，以便将更多比特分配给具有较高感知灵敏度的区域。

本文提出了一种基于可变形卷积的多帧残差密度网络（MRDN），利用高质量帧来补偿低质量帧，以提高压缩视频的质量。具体而言，所提出的网络由开发的运动补偿（MC）模块和质量增强（QE）模块组成，分别用于补偿和增强输入帧的质量。此外，为了在训练过程中增强边缘结构，在增强帧上引入了一种新的边缘增强损失。

原文链接：https://arxiv.org/abs/2109.05923论文来源：CVPR 2022项目地址：GitHub - wyf0912/LLFlow: The code release of paper "AAAI Low-Light Image Enhancement with Normalizing Flow", AAAI 2022作者团队：南洋理工大学+香港城市大学Abstract将弱光图像增强为正常曝光的图像是非常不适定的，即它们之间的映射关系是一对多的。以往的工作基于

论文链接：https://arxiv.org/pdf/2108.02110.pdf论文来源：ACM MM2021作者团队：bilibiliABSTRACT为了从低质量的压缩视频中恢复高质量的视频，人们提出了许多基于深度学习的算法。其中一些算法通过探索相邻帧的时空信息来恢复每一帧缺失的细节。然而，这些方法的时间范围通常很窄，因此可能会错过相邻帧之外的一些有用细节。在本文中，为了提高伪影去除率，一方面，我们提出了一种递归融合（RF）模块来建模长时间范围内的时间相关性。具体地说，RF利用当前参考帧

论文链接：1904.06903.pdf (arxiv.org)论文来源：TIP2020作者：商汤Abstract大多数经典的去噪方法都是通过选择和平均噪声输入中的像素来恢复清晰的结果。我们建议使用深层神经网络明确地学习这个过程，而不是依赖手工制作的选择和平均策略。具体来说，我们提出了可变形二维核用于图像去噪，其中采样位置和核权重都是学习的。该核能够自然地适应图像结构，并能有效地减少过平滑伪影。此外，我们还开发了用于视频去噪的三维可变形核，以便在时空空间中更有效地采样像素。我们的方法能够解决动

论文链接：Multi-level Wavelet-CNN for Image Restoration | IEEE Conference Publication | IEEE Xplorex​​​​​​​x论文来源：CVPRW2018项目地址：GitHub - lpj0/MWCNN: Multi-level Wavelet-CNN for Image Restoration（matlab）GitHub - lpj-github-io/MWCNNv2: Multi-level Wavelet Conv

论文链接：Burst Denoising via Temporally Shifted Wavelet Transforms | SpringerLink论文来源：ECCV2020作者团队：facebookAbstract.近年来，移动摄影取得了长足的进步。然而，微光成像仍然是一个挑战。长时间曝光可以提高信噪比（SNR），但在捕捉动态场景时可能会出现不需要的运动模糊。因此，成像管道通常依靠计算摄影通过融合多个短曝光来提高信噪比。最近的基于深度网络的方法已经证明，通过以复杂的方式融合这些曝光，

原文链接：Learning to Restore Low-Light Images via Decomposition-and-Enhancement | IEEE Conference Publication | IEEE Xplore作者团队：大连理工，香港城市，鹏程实验室Abstract同时增强弱光图像并去除其噪声是不适定的，我们观察到噪声在不同频率层中表现出不同的对比度，并且在低频层比在高频层更容易检测噪声。受此启发，我们提出了一种基于频率的分解和增强模型，用于微光图像增强。基于该模型.

原文链接：http://arxiv.org/abs/2002.10032abstract基于深度学习的图像压缩最近显示出优于标准编解码器的潜力。最先进的率失真（R-D）性能是通过上下文自适应熵编码方法实现的，在这种方法中，超先验和自回归模型被联合用于有效地捕获潜在表示中的空间依赖性。然而，在以前的工作中，特征图是具有相同空间分辨率的特征映射，其中包含一些影响R-D性能的冗余。在本文中，我们提出了第一种学习到的多频图像压缩和熵编码方法，该方法基于最近开发的octave卷积，将特征图分解为高频和低频（分

论文来源：ECCV 2020论文链接：[2006.16581] Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images (arxiv.org)

论文来源：CVPRW2019论文链接：http://ieeexplore.ieee.org/document/9025464项目地址：

论文来源：ICLR2019论文链接：pdf (openreview.net)

论文来源：ECCV2018论文链接：Spatio-Temporal Transformer Network for Video Restoration | SpringerLink

论文来源：CVPR2018论文链接：Multi-frame Quality Enhancement for Compressed Video | IEEE Conference Publication | IEEE Xplore

论文来源：TIP 2019作者：北大&海康研究院Abstract近年来，卷积神经网络（CNN）引起了人们的极大关注，并在许多图像处理任务中取得了巨大的成功。本文将CNN技术与图像恢复相结合，以提高视频编码的性能，提出了基于内容感知的CNN在环滤波的高效视频编码（HEVC）。特别地，我们从多个维度定量地分析了所提出的CNN模型的结构，使得该模型对于基于CNN的循环滤波具有可解释性和最佳性。更具体地说，每个编码树单元（CTU）被视为一个独立的处理区域，使得所提出的内容感知多模态滤波机制是通过

论文介绍：这是ECCV-PIRM2018（Perceptual Image Enhancement on Smartphones Challenge）挑战赛中，图像增强任务第一名的论文，主要用于处理手机等小型移动设备上的图像增强。现有的图像增强方法在亮度、颜色、对比度、细节、噪声抑制等方面对低质量图像进行了改进，但由于移动设备处理速度慢、内存消耗大，很少能解决感知图像增强的问题，已有的一些方法也很难直接迁移到手机上使用。移动设备上的感知图像增强，尤其是智能手机，最近引起了越来越多的工业界和学术圈兴趣，因此本

论文来源：AAAI2020项目链接：GitHub - RyanXingQL/STDF-PyTorch: PyTorch implementation of "Spatio-Temporal Deformable Convolution for Compressed Video Quality Enhancement", AAAI 2020.Abstract近年来，深度学习方法在提高压缩视频质量方面取得了显著的成功。为了更好地挖掘时间信息，现有的方法通常估计光流进行时间运动补偿。然而，由于压缩视频

论文链接：https://link.springer.com/chapter/10.1007/978-3-030-58589-1_21来源：ECCV 2020Abstract生成模型来处理新的可视化任务需要额外的数据集，这需要花费大量的精力来创建。我们提出了一种域自适应的方法来合并多个模型，比创建一个额外的数据集更省力。该方法将预先训练好的模型与生成模型相结合，在不增加数据集的情况下，将潜在特征反馈给粘合层进行训练。我们还提出了一个生成模型，它是通过从预先训练的模型中提取知识来创建的。这使得数据

论文链接：http://mcl.korea.ac.kr/research/hukim-eccv2020-glenet/5010.pdf项目链接：https://github.com/hukim1124/GleNet论文来源：ECCV 2020作者：韩国大学Abstract1.本文提出了一种新的成对和非成对图像增强方法。包括全局增强网络（GEN）和局部增强网络（LEN）。 2.所提出的GEN可以进行比像素预测更容易训练的通道强度变换。提出的LEN算法基于空间滤波对GEN的结果进行细化。 3

论文地址：http://www.bmva.org/bmvc/2018/contents/papers/0700.pdf项目地址：https://github.com/Lvfeifan/MBLLEN来源：BMVC 2018作者：北航abstract提出了一种基于深度学习的微光图像增强方法。由于难以同时处理包括亮度、对比度、伪影和噪声在内的各种因素，该问题具有挑战性。为了解决这一问题，我们提出了多分支微光增强网络（MBLLEN）。其核心思想是提取不同层次的丰富特征，通过多个子网进行增强，最终

论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8373911项目地址：https://github.com/weichen582/GLADNet作者：北大来源：IEEE2018abstract在这篇文章中，我们讨论了微光增强的问题。我们的核心思想是先计算出弱光输入的全局光照估计，然后在估计的指导下调整光照，并通过与原始输入的级联来补充细节。考虑到这一点，我们提出了一个全局照明和细节保护网络（GLADNe

论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8953588项目地址：https://github.com/wangruixing/DeepUPECVPR2019作者团队：腾讯优图Abstract不再像以前那样直接学习图像到图像的映射，而是在网络中引入中间照明，将输入与预期增强结果相关联，从而增强网络从专家修改的输入/输出图像对学习复杂的摄影调整的能力。提出了一个采用光照约束和先验的损失函数，建立了

论文来自AAAI2020 oral论文地址：https://arxiv.org/abs/2005.04580摘要目前，24小时室外成像的行业惯例是使用硅相机，并辅以近红外（NIR）照明。这导致彩色图像白天对比度差，夜间没有色度。对于这种困境，所有现有的解决方案都试图分别捕获RGB和NIR图像。然而，它们需要额外的硬件支持，并且存在使用寿命短、价格昂贵、特定使用场景等诸多缺点。本文提出了一种新颖的、集成的增强解决方案，无论是在白天充足的阳光下还是在极低的光照下，都能产生清晰的彩色图像。我们的核心思

论文地址：https://arxiv.org/abs/2002.11300项目地址：https://github.com/hitzhangyu/Self-supervised-Image-Enhancement-Network-Training-With-Low-Light-Images-Only目前好像暂未发表作者团队：哈尔滨工业大学主要工作：自监督不需要参考图像单图像训练增强整体基于Retinex理论分解图像，用直方图均衡化后的结果做参照，认为反射率的最大通道与微光图像的最大

原文链接：https://blog.youkuaiyun.com/App_12062011/article/details/77554288YOLO v1这是继RCNN，fast-RCNN和faster-RCNN之后，rbg（RossGirshick）针对DL目标检测速度问题提出的另外一种框架。YOLO V1其增强版本GPU中能跑45fps，简化版本155fps。论文下载：http://arxiv.org/abs/1506.02640代码下载：https://github.com/pjreddie/da

Abstract低光图像增强是一个挑战，因为它不仅需要考虑亮度恢复，还需要考虑复杂的问题，如颜色失真和噪声通常隐藏在黑暗中。简单地调整低光图像的亮度将不可避免地放大这些噪声。针对这一难题，本文提出了一种基于多分支卷积神经网络的端到端注意引导方法。为此，我们首先使用精心设计的微光模拟策略构建一个合成数据集，它比现有数据集更大、更多样化。利用新的训练数据集，我们的方法学习了两个注意图，分别指导亮度增强和去噪任务。第一个注意图区分了曝光不足的区域和光线充足的区域，第二个注意图区分了噪音和真实纹理。在他们的指导

本文来自ACM MM 2019，作者：Yonghua Zhang, Jiawan Zhang, and Xiaojie Guo项目地址：https://github.com/zhangyhuaee/KinDAbstract在弱光条件下拍摄的图像通常(部分)能见度较差。除了不理想的照明，多种类型的退化，如噪音和颜色失真，由于相机的质量有限，这些退化隐藏在黑暗中。换句话说，仅仅提高黑暗区域的亮度将不可避免地放大隐藏的退化。这项工作建立了一个简单而有效的点燃黑暗的网络(表示为kindling)，它的灵感

论文地址：https://arxiv.org/pdf/2003.10027.pdf摘要ReLU是深度神经网络中常用的激活函数。到目前为止，ReLU及其推广（非参数或参数）都是静态的，对所有的输入样本执行相同的操作。在本文中，我们提出了Dynamic ReLU激活函数（DY-ReLU），它的参数依赖于所有输入。其关键在于DY-ReLU将全局上下文编码为超函数，并相应地调整分段线性激活函数。与...

Abstract如果多尺度特征融合良好，可以大大提高语义边缘检测的效率。然而，目前流行的语义边缘检测方法采用固定权值的融合策略，强制图像中不同的语义共享相同的权值，使得所有图像和位置的通用权值不考虑其不同的语义或局部上下文。在这项工作中，我们提出了一种新的动态特征融合策略，该策略自适应地为不同的输入图像和位置分配不同的融合权重，这是通过一个权值学习器根据特定的输入条件，为特征图的每个位置在多...

摘要近年来，暗光图像增强技术发展不错，但仍存在三点问题：1.低光图像通常是高对比度的，现有的方法可能无法在极暗或极亮区域恢复图像细节；2.现有方法无法精确地校正微光图像的颜色；3.当目标边缘不清晰时，像素级的损失函数（比如L1，L2损失函数）会对不同的物体进行相同的处理，并导致一个模糊的结果。（像素级的loss对图片的空间分布处理是平等的，这种损失函数会把损失平均的分到图像的每个像...