推荐弱光图像增强算法比较《Unsupervised Low-Light Image Enhancement via Histogram Equalization Prior》(附带HEP可执行程序)

来源 ：ECCV 2024论文链接2：模型框架如Fig2所示。

一.简介 论文题目：《使用先验的明亮通道知识来无监督微光图像增强》 论文研究内容：无监督微光图像增强 二.创新点 提出了无监督低光照增强方法 引入饱和度损失和注意力机制能有效的保留图像增强后的细节和自然度 三.具体方法 3.1本文的网络框架 3.2本文涉及到的公式 3.3本文具体的过程 1.通过公式1列出低光照图像I与照明图t和增强后的图J和环境光A之间的关系 2.公式5是根据公式1将增强图J推导出来，只要估计出等式参数（也就是A和T）就可以算出增强图 3.照明图T是

主要参考文献及其收获 Unpaired image-to-image translation using cycle-consistent adversarial networks Deep retinex decomposition for low-light enhancement,” in BMVC, 2018.分解网络 U-Net: Convolutional Net-works for Biomedical Image Segmentation U-net网络 1、使用LOL数据集训...

众所周知，在暗光增强任务中，要获取到适合的成对的暗光/正常曝光训练图像是非常困难的，甚至是不存在唯一的定义良好的正常曝光ground truth图片。如果用正常曝光的图像去合成带噪点的暗光图像作为训练集，很可能导致最终应用在真实世界中的测试出的图片人工伪影严重，泛化性差。 所以作者利用无监督的GAN技术，设计了暗光增强领域中第一个训练数据不成对的无监督网络，称为EnlightenGAN，创新主要...

【题目】：EnlightenGAN: Deep Light Enhancement Without Paired Supervision 使用从输入本身提取的信息来规范非配对训练，而不是使用ground truth数据监督学习，提出了一个高效的无监督生成对抗网络，称为 EnlightenGAN，可以在没有低光/正常光图像对的情况下进行训练，可用于增强来自不同领域的真实世界低光图像。.........

《EnlightenGAN: Deep Light Enhancement withoutPaired Supervision》论文超详细解读（翻译＋精读）

低光图像增强是图像增强任务中的重要组成部分，目前对于低光图像增强方法的整理参差不全。因此希望在以有的文章基础上整理汇总一下现有的低光图像增强算法（文章和代码）。希望为自己以及大家查找低光图像增强领域的文章和代码提供一些便捷。

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...

Low-light Enhancement暗光图像增强论文整理2019-2020 github代码都放后面了，没有就是找不到代码 近年论文 Guo, Xiaojie et al. “LIME: Low-Light Image Enhancement via Illumination Map Estimation.” IEEE Transactions on Image Processing 26 (2017): 982-993.https://github.com/estija/LIME Fan,

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。

RED-Net论文阅读笔记

仅供自己参考

Low-Light Image Enhancement via a Deep Hybrid Network [TIP2019]Underexposed Photo Enhancement using Deep Illumination Estimation[CVPR2019]---------Low-Light Image Enhancement via a Deep Hybrid Network...

这次实验最大的收获是：与其在规则里“猜”爬虫长什么样，不如把判断逻辑外置到一个能持续学习的边缘节点。群联的清洗中心提供了实时封禁 API，让我们可以把模型结果直接落地，而不用改一行业务代码——这比传统“先打日志、再人工加黑名单”的节奏快了整整一个量级。

在本文中，我们提出了一种统一的预训练方法 UniSpeech，用于结合有标签与无标签数据进行语音表征学习，其中监督的音素 CTC 学习与具备音素感知的对比式自监督学习以多任务学习的方式联合进行。由此得到的表征能够捕捉与音素结构更相关的信息，并提升跨语言与跨领域的泛化能力。我们在公共的 CommonVoice 数据集上评估了 UniSpeech 在跨语言表征学习中的有效性。