u013049912的博客

原创 A New Image Contrast Enhancement Algorithmusing Exposure Fusion Framework

弱光图像由于能见度低，不利于人类观察和计算机视觉算法。为了解决这一问题，人们提出了许多图像增强技术，但现有的方法不可避免地会出现对比度增强不足和过度增强的问题。在本文中，我们提出了一种图像对比度增强算法来提供准确的对比度增强。具体来说，我们首先利用光照估计技术设计了用于图像融合的权重矩阵。然后介绍了我们的相机响应模型来合成多曝光图像。其次，我们找到最佳曝光比，使合成图像在原始图像曝光不足的区域曝光良好。最后，根据权重矩阵对输入图像和合成图像进行融合，得到增强结果。

原创 A New Low-Light Image Enhancement Algorithmusing Camera Response Model

原创 Real-time noise-aware tone mapping

许多应用都需要实时高质量的视频色调映射，例如相机中的数字取景器，适应环境光的显示算法，相机内处理，视频游戏的渲染引擎和视频后处理。我们提出了一个可行的解决方案，通过设计一个视频色调映射算子来控制噪声的可见性，适应显示和观看环境，最大限度地减少对比度失真，保留或增强图像细节，并且可以在没有任何预处理的情况下在传入序列上实时运行。据我们所知，没有现有的解决方案提供所有这些功能。

原创 Kindling the Darkness:A Practical Low-light Image Enhancer

在弱光条件下拍摄的图像通常会出现（部分）可见度较差的情况。,除了令人不满意的照明之外，多种类型的退化也隐藏在黑暗中，例如由于相机质量有限而导致的噪点和颜色失真。,换句话说，仅仅调高黑暗区域的亮度将不可避免地放大隐藏的伪像。,这项工作为 Kindling the Darkness（记为 KinD）构建了一个简单而有效的网络，该网络受 Retinex 理论的启发，将图像分解为两个部分。,一个组件（照明）负责光调节，而另一个组件（反射率）负责消除退化。

原创 Deep Retinex Decomposition for Low-Light Enhancement

Retinex模型是低光图像增强的有效工具。它假设观察到的图像可以分解为反射率和照度。大多数现有的基于 Retinex 的方法都为这种高度不适定的分解精心设计了手工约束和参数，在应用于各种场景时可能会受到模型容量的限制。在本文中，我们收集了包含低光/正常光图像对的低光数据集（LOL），并提出了在此数据集上学习的深度 Retinex-Net，包括用于分解的 Decom-Net 和用于照明调整的增强网络。在 Decom-Net 的训练过程中，不存在分解反射率和光照的基本事实。

原创 Restormer: Efficient Transformer for High-Resolution Image Restoration

由于卷积神经网络（CNN）在从大规模数据中学习可概括的图像先验方面表现良好，因此这些模型已广泛应用于图像恢复和相关任务。最近，另一类神经架构 Transformer 在自然语言和高级视觉任务上表现出了显着的性能提升。虽然 Transformer 模型弥补了 CNN 的缺点（即有限的感受野和对输入内容的不适应性），但其计算复杂度随空间分辨率呈二次方增长，因此无法应用于大多数涉及高分辨率图像的图像恢复任务。

原创 Ultra-High-Definition Low-Light Image Enhancement: A Benchmark andTransformer-Based Method

随着光学传感器质量的提高，需要处理大规模图像。特别是，设备捕获超高清 (UHD) 图像和视频的能力对图像处理管道提出了新的要求。在本文中，我们考虑低光图像增强（LLIE）的任务，并引入由 4K 和 8K 分辨率图像组成的大规模数据库。我们进行系统的基准测试研究并提供当前 LLIE 算法的比较。作为第二个贡献，我们引入了 LLFormer，一种基于 Transformer 的低光增强方法。LLFormer的核心组件是基于轴的多头自注意力和跨层注意力融合块，显着降低了线性复杂度。

原创 深度学习之模型优化-P1模型优化-课程介绍

原创 ChatGPT带我成神之Torch篇（3）

【代码】ChatGPT带我成神之Torch篇（3）

原创 ChatGPT带我成神之Torch篇（2）

isinstance__call__glob.glob

原创 ChatGPT带我成神之Torch篇（1）

seedseed。

原创 Bilateral Guided Upsampling

我们提出了一种加速一大类图像处理算子的算法。给定低分辨率参考输入和输出对，我们通过拟合将输入映射到输出的局部曲线来对算子进行建模。然后，我们可以通过在全分辨率输入上评估这些低分辨率曲线来生成全分辨率输出。我们证明，这忠实地模拟了最先进的色调映射、风格转移和重新着色操作员。这些曲线是通过将输入提升到双边网格中，然后求解仿射矩阵的 3D 阵列来计算的，该阵列能够最好地将输入颜色映射到每个 x、y 强度箱的输出颜色。我们对矩阵实施平滑项，以防止错误边缘和噪声放大。

原创 Joint Bilateral Upsampling

图像分析和增强任务（例如色调映射、着色、立体深度和蒙太奇）通常需要在像素网格上计算解决方案（例如，曝光、色度、视差、标签）。计算和内存成本通常要求在下采样图像上运行较小的解决方案。尽管通用上采样方法可用于将低分辨率解插值到全分辨率，但这些方法通常假设插值先验平滑。我们证明，在上述情况下，可用的高分辨率输入图像可以在联合双边上采样过程中用作先验，以产生更好的高分辨率解决方案。我们展示了上述每个应用程序的结果，并将它们与传统的上采样方法进行比较。

原创 MEFLUT: Unsupervised 1D Lookup Tables for Multi-exposure Image Fusion

在本文中，我们介绍了一种高质量多重曝光图像融合（MEF）的新方法。我们表明，曝光的融合权重可以编码到一维查找表（LUT）中，该表将像素强度值作为输入并产生融合权重作为输出。我们为每次曝光学习一个 1D LUT，然后来自不同曝光的所有像素都可以独立查询该曝光的 1D LUT，以实现高质量和高效的融合。具体来说，为了学习这些 1D LUT，我们将帧、通道和空间等各个维度的注意力机制引入到 MEF 任务中，从而使我们的质量比最先进的 (SOTA) 有了显着的提高。

原创 Automatic Exposure Correction of Consumer Photographs

我们研究自动校正输入图像曝光的问题。通用自动曝光校正方法通常在个别曝光过度/曝光不足的区域失败。交互式校正可能会解决这个问题，但调整每张照片都需要技巧和时间。本文将通过估计最适合输入图像的图像特定 S 形非线性色调曲线来自动化交互式校正技术。我们的第一个贡献是一个新的基于区域的区域级最佳曝光评估，它将考虑各个区域的可见性和区域之间的相对对比度。然后根据最佳曝光应用保留细节的 S 曲线调整以获得最终输出。我们表明，与流行的图像编辑工具和其他自动方法相比，我们的方法可以实现更好的校正。

原创 Zero-Shot Restoration of Back-lit Images Using Deep Internal Learning

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“零样本”方案，该方案利用深度学习的力量，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 CNN，即 ExCNet（曝光校正网络的缩写），以估计最适合测试背光图像的“S 曲线”。一旦估计出S曲线，就可以直接恢复测试图像。ExCNet 可以适应每个图像的不同设置。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。

原创 Retinexformer: One-stage Retinex-basedTransformer for Low-light Image Enhancement

在增强低光图像时，许多深度学习算法都是基于 Retinex 理论。然而，Retinex 模型没有考虑隐藏在黑暗中或由点亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练流程，并依赖于卷积神经网络，在捕获远程依赖性方面表现出局限性。在本文中，我们制定了一个简单但有原则的基于 Retinex 的单阶段框架（ORF）。ORF 首先估计照明信息以照亮低光图像，然后恢复损坏以生成增强的图像。我们设计了一个照明引导变压器（IGT），它利用照明表示来指导不同照明条件下区域的非局部交互的建模。

原创 Illumination Adaptive Transformer

现实世界中具有挑战性的照明条件（低光、曝光不足和曝光过度）不仅会产生令人不快的视觉外观，还会影响计算机视觉任务。现有的光自适应方法通常单独处理每种情况。更重要的是，它们中的大多数经常在 RAW 图像上运行或过度简化相机图像信号处理 (ISP) 管道。通过将光变换管道分解为局部和全局 ISP 组件，我们提出了一种轻量级快速照明自适应变换器（IAT），它包含两个变换器式分支：局部估计分支和全局 ISP 分支。虽然局部分支估计与照明相关的像素级局部分量，但全局分支定义了参与整个图像以解码参数的可学习要求。

原创 Practical Deep Raw Image Denoisingon Mobile Devices

近年来，基于深度学习的图像去噪方法得到了广泛的研究，并在许多公共基准数据集中盛行。然而，最先进的网络计算成本太高，无法直接应用于移动设备。在这项工作中，我们提出了一种轻量级、高效的基于神经网络的原始图像降噪器，它可以在主流移动设备上流畅运行，并产生高质量的降噪结果。我们的主要见解有两个：（1）通过测量和估计传感器噪声水平，在合成传感器特定数据上训练的较小网络可以胜过在一般数据上训练的较大网络；

原创 Deep Joint Demosaicking and Denoising

去马赛克和去噪是数字成像流程的关键第一阶段，但它们也是一个严重不适定的问题，从单个噪声测量中推断出每个像素的三个颜色值。早期的方法依赖于手工制作的滤波器或先验，并且在硬情况下（例如摩尔纹或薄边缘）仍然表现出令人不安的视觉伪影。我们引入了一种新的数据驱动方法来应对这些挑战：我们在大型图像语料库上训练深度神经网络，而不是使用手动调整的滤波器。虽然深度学习已经取得了巨大的成功，但其使用现有训练数据集的简单应用并不能为我们的问题提供令人满意的结果，因为这些数据集缺乏困难的案例。

原创 Learning Deep Convolutional Networks for Demosaicing

本文对应用卷积神经网络（CNN）解决去马赛克问题进行了全面的研究。该论文提出了两种 CNN 模型，它们可以学习马赛克样本和具有完整信息的原始图像块之间的端到端映射。在使用拜耳滤色器阵列 (CFA) 的情况下，对流行基准的评估证实 CNN 模型的数据驱动、自动学习特征非常有效，并且我们提出的最佳 CNN 模型优于当前的SOTA算法。实验表明，所提出的 CNN 模型在 sRGB 空间和线性空间中都可以表现得同样好。还证明了 CNN 模型可以执行联合去噪和去马赛克。

原创 Adaptive Homogeneity-Directed Demosaicing Algorithm

经济高效的数码相机使用单图像传感器，将红色、绿色和蓝色滤色镜的交替图案应用到每个像素位置。通过估计每个颜色平面中缺失的像素分量来重建彩色图像的完整三色表示的方法称为去马赛克算法。本文提出了通常与结合二维 (2-D) 方向插值的去马赛克算法相关的三个固有问题：误导色彩伪影、插值色彩伪影和混叠。可以使用度量邻域建模来比较两个图像中存在的误导性颜色伪影的水平。所提出的去马赛克算法通过在颜色伪影较少的方向上进行插值来估计丢失的像素。通过将滤波器组技术应用于二维方向插值来解决混叠问题。使用非线性迭代过程减少插值伪影。

原创 HIGH-QUALITY LINEAR INTERPOLATIONFOR DEMOSAICING OF BAYER-PATTERNED COLOR IMAGES

本文介绍了一种新的插值技术，用于对单 CCD 数码相机生成的彩色图像进行去马赛克。我们表明，与双线性去马赛克相比，所提出的简单线性滤波器可以使 PSNR 提高超过 5.5 dB，与最近引入的线性插值器相比，R 和 B 插值可提高约 0.7 dB。所提出的滤波器还优于大多数非线性去马赛克算法，没有由于非线性处理而产生的伪影，并且大大降低了计算复杂性。

原创 RESIDUAL INTERPOLATION FOR COLOR IMAGE DEMOSAICKING

我们不是使用色差，而是生成R和B图像的初步估计(ˇR和ˇB)，并计算残差，即观测值和初步估计的R和B像素值之间的差异(R−ˇR和B−ˇB)。GBTF算法对G像素值的插值过程包括三个步骤:(i)在水平和垂直方向上应用Hamilton和Adams插值公式[5]，分别估计R和B像素处的G像素值和G像素处的R或B像素值。(iii)通过将观测到的R或B像素值添加到最终的色差估计中，对R和B像素处的G像素值进行插值。残差插值采用双线性插值。以R像素值的插值为例，我们将本文提出的残差插值与图2中的标准色差插值进行比较。

原创 GRADIENT BASED THRESHOLD FREE COLOR FILTER ARRAY INTERPOLATION

彩色滤波器阵列(CFA)插值是单传感器数字相机图像处理管道的组成部分。多年来，许多CFA算法被提出以提高图像质量。其中一个算法就是非常成功的定向线性最小均方误差估计(Directional Linear Minimum Mean-Square Error Estimation, DLMMSE)方法。我们对该算法做了一些观察，并提出了一种新的方法来解决这些问题。本文提出的方法产生了视觉上令人满意的结果，在PSNR方面优于最近一篇调查论文中包含的所有CFA插值算法。

原创 Ghost-free High Dynamic Range Imaging withContext-aware Transformer

高动态范围(HDR)去鬼算法旨在生成具有真实感细节的无鬼HDR图像。受感受野局部性的限制，现有的基于CNN的方法在大运动和严重饱和度的情况下容易产生重影伪影和强度畸变。本文提出了一种新的上下文感知视觉转换器（CA-VIT）用于高动态范围无鬼影成像。CA-VIT被设计为一个双分支体系结构，可以联合捕获全局和局部依赖关系。具体来说，全局分支采用基于窗口的变压器编码器来模拟远距离物体运动和强度变化，以解决重影问题。

原创 Joint HDR Denoising and Fusion: A Real-World Mobile HDR Image Dataset

手机已经成为我们日常生活中无处不在、不可或缺的拍照设备，而小光圈和传感器尺寸使得手机更容易受到噪点和过饱和的影响，导致动态范围(LDR)低、画质低。因此，为手机开发高动态范围(HDR)成像技术至关重要。然而，现有的HDR图像数据集大多是在白天由DSLR相机构建的，限制了其在手机HDR成像研究中的适用性。在这项工作中，我们首次利用手机摄像头开发了一个HDR图像数据集，即Mobile-HDR数据集。具体来说，我们利用三个手机摄像头在原始图像域中收集成对的LDR-HDR图像，涵盖了不同噪声水平的白天和夜间场景。

原创 Fast Tone Mapping for High Dynamic Range Images

我们提出了一种快速、有效、灵活的色调再现方法，在低动态范围再现设备中保留了高动态范围场景的可视性和对比度印象。一个单一的参数控制能见度和对比度在一个简单和优雅的方式和互动速度。新方法使用简单，计算效率高。实验表明，该方法对多种高动态范围图像都有较好的效果。该方法也可用于普通低动态范围数字图像的增强。

原创 Explorable Tone Mapping Operators

色调映射在高动态范围(HDR)成像中起着至关重要的作用。它的目的是在有限动态范围的介质中保存HDR图像的视觉信息。虽然许多工作已经提出从HDR图像中提供色调映射结果，但大多数只能以一种预先设计的方式进行色调映射。然而，声调映射质量的主观性因人而异，声调映射风格的偏好也因应用而异。本文提出了一种基于学习的多模态色调映射方法，该方法不仅获得了良好的视觉质量，而且探索了风格的多样性。该方法基于Byclegan[1]的框架，通过操纵不同的潜在码，可以提供多种专家级的声调映射结果。

原创 UPHDR-GAN: Generative Adversarial Network forHigh Dynamic Range Imaging with Unpaired Data

本文提出了一种利用未配对数据集有效融合多次曝光输入并生成高质量高动态范围(HDR)图像的方法。基于深度学习的HDR图像生成方法严重依赖于成对的数据集。地面真像对生成合理的HDR图像起着主导作用。没有地面真相的数据集很难用于训练深度神经网络。最近，生成对抗网络(Generative Adversarial Networks, GAN)已经证明了在缺少成对例子的情况下，其将图像从源域X转换到目标域Y的潜力。

原创 SUNet: Swin Transformer UNet for ImageDenoising

图像恢复是一个具有挑战性的不适定问题，也是一个长期存在的问题。在过去的几年中，卷积神经网络(cnn)几乎主导了计算机视觉，并在不同层次的视觉任务中取得了相当大的成功，包括图像恢复。然而，最近基于Swin transformer的模型也表现出了令人印象深刻的性能，甚至超过了基于cnn的方法，成为高级视觉任务的最先进的技术。在本文中，我们提出了一个名为SUNet的恢复模型，它使用Swin Transformer层作为我们的基本块，然后应用到UNet体系结构中进行图像去噪。

原创 Low-Light Image Enhancement with Wavelet-based Diffusion Models

扩散模型在图像恢复任务中取得了很好的效果，但存在时间长、计算资源消耗大、恢复不稳定等问题。为了解决这些问题，我们提出了一种鲁棒和高效的基于扩散的微光图像增强方法，称为DiffLL。具体来说，我们提出了一个基于小波的条件扩散模型(WCDM)，它利用扩散模型的生成能力来产生令人满意的感知保真度的结果。此外，该算法还利用小波变换的优势，在不牺牲信息的前提下大大加快推理速度，减少计算资源的使用。

原创 Blindly Assess Image Quality in the Wild Guided by ASelf-Adaptive Hyper Network

真实失真图像的盲图像质量评估(BIQA)一直是一个具有挑战性的问题，因为在野外采集的图像包含各种各样的内容和各种类型的失真。目前绝大多数的BIQA方法都专注于如何预测合成图像的质量，但当应用于真实世界的失真图像时却失败了。为了应对这一挑战，我们提出了一种自适应超网络结构，以盲评估图像质量在野外。我们将IQA过程分为三个阶段，包括内容理解、感知规则学习和质量预测。在提取图像语义后，通过超网络自适应建立感知规则，并将其应用于质量预测网络。

原创 STL-string-2

通过str的内容交换容器的内容，str是另一个字符串对象。在调用该成员函数之后，该对象的值是str在调用之前的值，str的值是该对象在调用之前具有的值。子字符串是str的一部分，从字符位置subbase开始，跨越子字符串（或者直到str的末尾，如果str太短或子字符串为string:：npos）。该子字符串是str的一部分，该部分从字符位置subbase开始，跨越子字符串字符（或者直到str的末尾，如果str太短或子字符串为npos）。附加由s指向的以null结尾的字符序列（C字符串）形成的字符串的副本。

原创 NIMA: Neural Image Assessment

摘要:基于自动学习的图像质量评估技术在评价图像采集管道、存储技术和共享媒体等方面具有广泛的应用价值，近年来已成为图像质量评估研究的热点。尽管这一问题具有主观性，但现有的大多数方法仅对AVA[1]和TID2013[2]等数据集提供的平均意见得分进行预测。我们的方法与其他方法的不同之处在于，我们使用卷积神经网络预测人类意见得分的分布。我们的体系结构还具有比其他方法简单得多的优势，具有相当的性能。我们提出的方法依赖于经过验证的、最先进的深度目标识别网络的成功(和再训练)。我们得到的网络不仅可以用于可靠地为图像评分

原创 STL-string-1

解析str，将其内容解释为指定基数的整数，该整数作为int值返回。如果idx不是空指针，函数还会将idx的值设置为str中数字后面第一个字符的位置。函数使用strtol（或wcstol）来执行转换（有关过程的更多详细信息，请参阅strtol）。

原创 STL-utility

<=>=

原创 STL-type_traits

This header defines a series of classes to obtain type information on compile-time.The header contains:A basic trait for types is the categories in which they can be classified. This is a chart on how these categories overlap:

原创 STL-functional-2

函数类实例化的对象可以包装以下任何类型的可调用对象：函数、函数指针、指向成员的指针或任何类型的函数对象（即，其类定义运算符（）的对象，包括闭包）。一般来说，函数对象是定义了成员函数运算符（）的类的实例。一般来说，函数对象是定义了成员函数运算符（）的类的实例。一般来说，函数对象是定义了成员函数运算符（）的类的实例。一般来说，函数对象是定义了成员函数运算符（）的类的实例。一般来说，函数对象是定义了成员函数运算符（）的类的实例。一般来说，函数对象是定义了成员函数运算符（）的类的实例。

原创 STL-functional-1

函数对象是专门设计用于与函数语法相似的语法的对象。它们通常用作函数的参数，例如传递给标准算法的predicates或。