Advertisement

Zero-DCE: 用于弱光图像增强的零参考深度曲线估计的PyTorch实现

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：Zero-DCE是利用PyTorch框架开发的一种新颖算法，专注于无需参照图像即可对低光照条件下拍摄的照片进行高质量的亮度和细节增强。该方法通过深度学习技术自动估算并优化图像中的光曲线，从而改善弱光环境下的视觉效果，特别适用于夜间或光线不足场景下的图像处理任务。 零DCE（Zero-Reference Deep Curve Estimation）是一种用于低光图像增强的Pytorch实现方法。可以通过活页夹访问相关笔记本，并在Wandb上查看培训日志以获取更多关于该模型的信息及嘈杂结果示例。 参考文献如下： @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001}

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Zero-DCE: 用于弱光图像增强的零参考深度曲线估计的PyTorch实现
    优质
    简介：Zero-DCE是利用PyTorch框架开发的一种新颖算法，专注于无需参照图像即可对低光照条件下拍摄的照片进行高质量的亮度和细节增强。该方法通过深度学习技术自动估算并优化图像中的光曲线，从而改善弱光环境下的视觉效果，特别适用于夜间或光线不足场景下的图像处理任务。 零DCE（Zero-Reference Deep Curve Estimation）是一种用于低光图像增强的Pytorch实现方法。可以通过活页夹访问相关笔记本，并在Wandb上查看培训日志以获取更多关于该模型的信息及嘈杂结果示例。 参考文献如下： @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001}
     
  • Zero-DCE: 零DCE的代码与模型
    优质
    Zero-DCE是一款创新的去雾增强模型，采用零成本数据增强（Zero DCE）技术，旨在优化图像质量，无需额外训练数据即可实现清晰、逼真的视觉效果。 用于弱光图像增强的零参考深曲线估计 您可以在这里找到更多详细信息。 火炬实现： - 零DCE的Pytorch实现仅用于非商业用途。 要求: - Python 3.7 - 火炬1.0.0 - OpenCV - 火炬视觉0.2.1 - cuda100 零DCE不需要特殊的配置，只需基本环境。或者您可以创建一个conda环境来运行我们的代码： ``` conda create --name zerodce_env opencv pytorch==1.0.0 torchvision==0.2.1 cudatoolkit=10.0 python=3.7 -c pytorch ``` 资料夹结构: 首先下载Zero-DCE_code。下面显示了基本的文件夹结构。 ├── data │ ├── test_data # 测试数据。您可以创建一个新的文件夹
     
  • Zero-DCE: 零DCE的代码与模型
    优质
    Zero-DCE项目致力于提供一种无需详细参数调整即可运行的去雾增强模型。此零配置深度图像编辑方法使用户能够轻松地改善受雾霾影响的照片质量，从而节省大量调试时间并提高工作效率。 用于弱光图像增强的零参考深曲线估计 Zero-DCE的实现仅限于非商业用途。 要求： - Python 3.7 - 火炬1.0.0 - OpenCV - 火炬视觉0.2.1 - CUDA 10.0 无需特殊配置，只需基本环境即可。或者您可以创建一个conda环境来运行我们的代码：`conda create --name zerodce_env opencv pytorch==1.0.0 torchvision==0.2.1 cuda100 python=3.7 -c pytorch` 文件夹结构： 首先下载Zero-DCE_code，下面是基本的文件夹结构。 ├── data │ ├── test_data # 测试数据。您可以创建新的测试数据。
     
  • 弱光图像增强1（基于融合的弱光图像增强方法及其在MATLAB中的实现）
    优质
    本研究提出了一种基于图像融合技术的弱光环境下的图像增强算法，并详细介绍了其在MATLAB平台上的实现过程。该方法旨在提高夜间或低光照条件下图像的质量和清晰度，为相关领域的应用提供技术支持。 弱光图像增强1（Low-Light-Image-Enhacement-1）：该方法采用Matlab实现，并发表在期刊《信号处理杂志》上，作者包括薛阳富、德鲁曾、岳煌、廖英豪、丁兴豪和John Paisley。论文于2016年5月由爱思唯尔出版，提出了一种基于融合的图像增强技术用于弱光条件下的图像改善。
     
  • MATLAB图像均衡化代码-LIME：基于论文“利用光照图增强弱光图像”的实现
    优质
    本项目提供了一种基于LIME算法的MATLAB代码，用于执行图像均衡化，尤其针对低光照条件下的图片。此方法借鉴了论文《利用光照图增强弱光图像》中的技术，能够有效提升图像在昏暗环境下的视觉效果和质量。 MATLAB图像均衡化代码LIME：低光图像增强是基于论文“LIME：通过照明图估计进行低光图像增强”的MATLAB实现。该项目在Saumik Bhattacharya教授的指导下作为课程项目完成，课程为“数字图像处理”（ECN-316）。可以获取到项目报告和官方网站信息。 作者提供的演示软件包含.pmat文件，这些文件无法直接读取源代码。使用克隆存储库的方法如下： 在命令行中运行：`git clone https://github.com/estija/LIME.git` 打开MATLAB后转至该git仓库的文件夹。 在MATLAB命令窗口添加路径： ``` addpath(./BM3D); addpath(./imgs); ``` 加载图像并执行以下代码： ```matlab img_in = imread(x.bmp); [Ti,Tout,img_out,Iout] = lime_main_module(img_in,mu,rho,ds,ss,flag); ``` 其中，x代表`imgs`文件夹中的某张图片。若要查看结果，请设置`flag=1`。 Ti和Tout分别表示初始照度图和最终的照明估计图。
     
  • HEP弱光图像增强算法的执行程序
    优质
    本程序基于HEP（Histogram Equalization Plus）算法设计，旨在提升弱光环境下图像的质量与清晰度，适用于摄影后期处理及安防监控等领域。 《Unsupervised Low-Light Image Enhancement via Histogram Equalization Prior》算法的可执行程序已准备好。请参考同名文章以查看使用方法。文档中已经包含了预训练模型以及参考图像。
     
  • 基于深度卷积神经网络的低光照图像增强
    优质
    本研究提出了一种基于深度卷积神经网络的方法，有效提升低光照条件下图像的质量和视觉效果。通过模拟不同光照环境下的大量数据训练模型，实现自动化的图像亮度、对比度优化及噪点减少，显著改善了夜间或弱光场景中的图片清晰度与细节展现能力。 为解决低照度条件下图像质量严重下降的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该方法依据Retinex模型生成训练样本，将原始低照度图像从RGB空间转换到HSI颜色空间，在此基础上保持色度和饱和度分量不变，利用DCNN对亮度分量进行优化处理。最后再将HSI色彩模式转回RGB空间以获得最终的增强效果。实验表明, 相较于现有的主流图像增强算法, 本方法不仅能够显著提高图像的亮度与对比度、改善过增强问题，还能有效防止颜色失真现象的发生，并在主观视觉感受及客观评价指标上均有明显提升。