7 为什么先生2012

尚未进行身份认证

图像大法好

等级
TA的排名 4w+

真实噪声:Densely Connected Hierarchical Network for Image Denoising(CVPRW2019) 阅读理解

Deep Iterative Down-Up CNN for Image Denoising CVPRW2019Densely Connected Hierarchical Network for Image Denoising CVPRW2019相同作者:NTIRE 2019真实图像去噪挑战上Raw和RGB两个赛道分别获得第二第三。效果看还行。整个文章的主体结构:u-net 网络结构 + 通过基于预训练模型实现单个模型处理不同级别的噪声 + 通过自集成策略进一步提升模型效果1...

2020-05-10 13:44:09

Multi-Scale Boosted Dehazing Network with Dense Feature Fusion(CVPR2020) 阅读理解

Multi-Scale Boosted Dehazing Network with Dense Feature Fusion(CVPR2020)1 简要1作:西安交通大学在本文中,作者团队提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络。 该方法是基于boosting和误差反馈这两个原理设计的,表明它们适用于去雾问题。1 通过在所提出模型的解码器中加入“Stren...

2020-05-03 20:07:17

一文读懂多帧超分辨率来龙去脉2019

人类消除不了混叠信息,最后逼出了多帧超分。1 为什么要超分?与单反相机相比,智能手机相机的传感器更小,这限制了它们的空间分辨率;更小的光圈,限制了它们的聚光能力;更小的像素,这降低了他们的信噪比。实际获得的低分辨率图像可以认为是利用光学成像设备对原始高分辨率场景进行观测的结果,而观测过程不可避免的会受到镜头光学模糊、欠釆样、噪声等降质因素的影响。2 为什么要多帧超分?因为图...

2019-11-17 21:00:01

超分走进真实数据

NTIRE 2019 Challenge on Real Image Super-Resolution随着NTIRE 2019 关于真实数据进行单帧超分的比赛结束,2019 年关于超分有两个关键词,“远近数据对” 和 Raw数据:1 人们开始通过长远焦或者远近拍摄来构建真实的超分数据,即退化模型不再是通过下采样和上采样来构建数据集或者人为进行模糊。2 人们不再基于RGB进行单帧超分...

2019-07-07 16:18:09

好的拍照效果应该是怎样的?

现在的智能手机堪称相机,各家手机厂商都在自拍方面下足功夫,那么好的拍照效果应该是怎样的呢?d好的画质效果:图像清晰,不模糊,图像没有什么噪声,色彩均为,逆光和强光下均拍照清晰。拍照效果分析拍照效果主要由摄像头和图像处理的效果决定(1)摄像头:例如目前的4800万像素,像素越大图像质量越好。(当然这句话不一定对,有的单反像素比较小,但是画质就很不错,因为好的画质还有很多因素...

2019-07-07 15:56:45

基于傅里叶进行去模糊和去噪

1.1 散焦模糊简介: 散焦模糊是光学透镜焦距限制的自然结果。因此,对于给定的相机设置,位于焦距F上的场景点发出的光线将恰好汇聚在焦平面上的同一点上, 所有来自物体任意一点的光束都会聚到一个单一的传感器点,使得图像像素具有最佳的锐度。然而,来自其他距离的物体的光线不会汇聚到同一点,而是汇聚到传感器平面上的一个小块,称为弥散圆。散焦模型假设:散焦图像可以表示为对焦(锐)原...

2019-05-12 23:06:06

Learning a Single Convolutional Super-Resolution Network for Multiple Degradations(CVPR2018) 阅读理解

我们提出了一个简单但有效且可扩展的deepCNN框架为SISR。该模型超越了广泛使用的双三次退化假设,适用于多种甚至是空间变化的退化,为开发一种实际应用的基于cnn的超解析器迈出了实质性的一步; 针对LR输入图像、模糊核和噪声之间的维数不匹配问题,提出了一种新的维数拉伸策略。虽然这个策略是为SISR提出的,但它是通用的,可以扩展到其他任务,如去模糊。如下图,感觉这个...

2019-03-30 11:56:34

Burst photography for high dynamic range and low-light imaging on mobile cameras 阅读理解

1 提出问题:手机拍照因为设备限制,各种不行手机摄像头的光圈很小,这限制了它们能收集到的光子的数量,导致在低光照下产生噪声的图像,而且手机还具有较小的传感器像素,这限制了每个像素可以存储的电子数量,导致有限的动态范围。我们描述了一个拍照pipeline,依次为捕获、对齐和合并一组帧,通过对多个帧进行对齐和合并,与输入帧相比,我们生成的中间图像具有更高的比特深度、更高的动态范围和更低的...

2019-03-30 11:28:27

A High-Quality Denoising Dataset for Smartphone Cameras 阅读笔记

该论文提出了一种制作真实噪声图像对应的ground truth的方法,并基于该方法提出了一个高质量智能手机去噪数据集。目前智能手机图像去噪是一个活跃的研究领域,但是目前该领域缺乏一个高质量的数据集,即真实的噪声图像和对应的高质量 ground truth.本文设计了一种产生高质量智能手机图像去噪数据集SIDD。使用5个具有代表性的智能手机摄像头,在10个不同光照条件下,从10个场景中获取约30...

2019-03-03 10:25:30

基于CNN的HDR重建(二 单帧的)

目录CNN多帧:基于CNN的HDR重建(一 多帧的)CNN单帧:ExpandNet: A Deep Convolutional Neural Network for High Dynamic Range Expansion from Low Dynamic Range Content 2018 EUROGRAPHICSImage Correction via Deep Recipr...

2019-01-27 09:01:53

基于CNN的HDR重建(一 多帧的)

这篇文章简要叙述2017-2018 几篇HDR相关的论文,尤其基于CNN的HDR。对于动态场景来说,从一组不同曝光的图像中生成高动态范围(HDR)图像是一个具有挑战性的过程。这个问题可以分为两个阶段:1)对齐输入的LDR图像,2)合并对齐的图像到HDR图像。方法主要分为两类:一种直接基于LDR对齐融合,一种是先通过相机响应函数线性化这些输入图像(一般就是一个单调的非线性函数),将LDR...

2019-01-27 08:53:43

超分:Image Super-Resolution Using Very Deep Residual Channel Attention Networks 阅读理解

这个超分效果,亲测不错,而且作者提出的残差注意网络方便实用。论文认为图像输入和特征中含有丰富的低频信息,这些信息在不同的信道中被平等对待,从而阻碍了cnn的表征能力,因此提出了一种非常深的残差通道注意网络(RCAN)。(1)如何解决更深:当然是利用残差网络,因此基于残差设计了一个非常深的网络,即一个大残差模块中包含多个小的残差模块(RIR:residual in residual)。通过长...

2018-12-23 22:04:26

Exposure Fusion

Exposure Fusionhttp://ntp-0.cs.ucl.ac.uk/staff/j.kautz/publications/exposure_fusion.pdf 很经典的文章,慢慢发现很多东西都是相同的1 定义质量标准:对比度,饱和度,最佳曝光(0,1)2 基于三个质量标准构建权重图,三个质量标准采用乘积进行合并。这样给每一个输入图创建了一个权重图。  为什么...

2018-12-16 12:09:07

Camera理论基础和工作原理

1 拍照成像流程(专业词汇单位)                    Camera理论基础和工作原理光线通过镜头Lens进入摄像头内部,然后经过IR Filter过滤红外光,最后到达sensor(传感器),senor分为按照材质可以分为CMOS和CCD两种,可以将光学信号转换为电信号,再通过内部的ADC电路转换为数字信号,然后传输给DSP(如果有的话,如果没有则以DVP的方式传送数据到基...

2018-11-24 11:07:13

All-in-focus based on Multi-focus Image Fusion 相关文献阅读理解

2018 Unsupervised Deep Multi-focus Image Fusion  Xiang Yan2016 Multi-focus image fusion with a deep convolutional neural network Yu Liu2014 Multi-scale weighted gradient-based fusion for multi-foc...

2018-10-21 20:34:31

Scale-recurrent Network for Deep Image Deblurring 阅读理解

Scale-recurrent Network for Deep Image Deblurring 2018CVPR  腾讯优图出品code  https://github.com/jiangsutx/SRN-Deblur   代码亲测效果确实不错,但是对于我自己拍的照片出现bad case,跟作者确认过,确实存在。可能是因为作者的模型主要针对运动模糊,一般失焦模糊容易受到矫枉过正的问题。总之...

2018-10-13 16:33:52

Adaptive Bilateral Filter for Sharpness Enhancement and Noise Removal 阅读理解

        ABF则是一直新的基于训练的图像恢复算法,它的范围是处理适合数码摄影的图片,不考虑那些严重退化的图像。图像恢复算法的广泛应用的成功将取决于算法开发的退化模型的一般程度,以及算法的整体结构对偏离假设的退化模型的程度有多强。       ABF通过增加边缘的斜率从而达到图像锐度增强的效果,并且不会出现过锐等问题,它不需要进行边缘检测,边缘方向计算以及边缘的横截面进行计算。当然与US...

2018-09-24 12:31:44

Restoration forWeakly Blurred and Strongly Noisy Images 阅读理解

       图像增强算法目前在拍摄方面越来越重要,图像模糊的原因很多,失焦模糊,运动模糊等,根据不要模糊的程度也出现了不同的图像增强算法,一个重要的相机设置-孔径大小,强烈地影响着图像的模糊和噪声问题,需要仔细调整,是。如果曝光时间是固定的,大光圈会增加信号到噪声比(SNR),同时减少场(DOF)的深度,从而增加不聚焦的模糊,从而消除图像的高频成分。一个小光圈可以减轻模糊,但增加了噪音水平。噪音...

2018-09-09 22:07:25

《Blurriness-guided Unsharp Masking》阅读笔记

Unsharp Masking(反锐化掩模):将原图像通过反锐化掩模进行模糊预处理(相当于采用低通滤波)后与原图逐点做差值运算,然后乘上一个修正因子再与原图求和,以达到提高图像中高频成分、增强图像轮廓的目的。这篇文章提出了一个基于模糊作为导向的反锐化掩模法,即先通过模糊检测得到一个概率图,然后进行map映射得到一个准确的概率图(其实相当于平滑之前的概率图),然后用这个概率图作为权重来对细节增强...

2018-08-13 23:07:57

Mixed-Domain Edge-Aware Image Manipulation 阅读笔记

本文提出了一个新的基于边缘感知的图像处理方法:构建一个高斯金字塔,然后对每一层应用一个非线性滤波,接着使用全局优化来合并这些空间变化滤波器的输出。该优化问题是使用明确的混合域(实空间和DCT变换空间)解决方案来解决的,该解决方案高效,准确且易于实现。我们演示了我们的方法应用于一系列问题,包括细节和对比度处理,HDR压缩,非真实感渲染和霾清除。边缘感知图像编辑处理的关键是边缘和细节处理的不同步。...

2018-07-31 21:28:39

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。
  • 原力新人
    原力新人
    在《原力计划【第二季】》打卡挑战活动中,成功参与本活动并发布一篇原创文章的博主,即可获得此勋章。