Command Palette
Search for a command to run...
Chen Chen Qifeng Chen Jia Xu Vladlen Koltun
摘要
低光成像具有挑战性，主要是由于光子数量少和信噪比（SNR）低。短曝光图像受到噪声的影响，而长曝光则可能导致模糊，并且在许多情况下并不实用。尽管已经提出了多种去噪、去模糊和增强技术，但在极端条件下，如夜间视频速率成像，这些技术的效果仍然有限。为了支持基于学习的低光图像处理流水线的开发，我们引入了一个包含原始短曝光低光图像及其对应的长曝光参考图像的数据集。利用该数据集，我们开发了一种基于全卷积网络端到端训练的低光图像处理流水线。该网络直接处理传感器的原始数据，取代了传统图像处理流水线中的许多步骤，后者在这种数据上通常表现不佳。我们在新数据集上报告了有前景的结果，分析了影响性能的因素，并指出了未来工作的机会。结果展示在补充视频中，链接为：https://youtu.be/qWKUFK7MWvg
代码仓库
cydonia999/Learning_to_See_in_the_Dark_PyTorch
pytorch
GitHub 中提及
danilka-na/DegreeWork
pytorch
GitHub 中提及
compscikaran/nightlight-web
tf
GitHub 中提及
someshfengde/learning_to_see_in_dark
GitHub 中提及
kauziishere/lowLightImageEnhancement
tf
GitHub 中提及
nickolor/Learning-to-See-in-the-Dark
tf
GitHub 中提及
nickolor/Learning-to-See-in-the-Dark_and_DeepISP
tf
GitHub 中提及
WangChen0902/SID-Paddle
paddle
eoinoreilly30/seeing-in-the-dark
tf
GitHub 中提及
sdoria/SID
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| image-denoising-on-eld-sonya7s2-x100 | Paired Data(SID) | PSNR (Raw): 44.47 SSIM (Raw): 0.968 |
| image-denoising-on-eld-sonya7s2-x200 | Paired Data(SID) | PSNR (Raw): 41.97 SSIM (Raw): 0.928 |
| image-denoising-on-sid-sonya7s2-x250 | Paired Data (SID) | PSNR (Raw): 39.60 SSIM (Raw): 0.938 |
| image-denoising-on-sid-x100 | SID (paired real data) | PSNR (Raw): 42.06 SSIM: 0.955 |
| image-denoising-on-sid-x300 | Paired Data(SID) | PSNR (Raw): 36.85 SSIM: 0.923 |