CN111724317A - Raw域视频去噪监督数据集构造方法 - Google Patents

Raw域视频去噪监督数据集构造方法 Download PDF

Info

Publication number
CN111724317A
CN111724317A CN202010432299.3A CN202010432299A CN111724317A CN 111724317 A CN111724317 A CN 111724317A CN 202010432299 A CN202010432299 A CN 202010432299A CN 111724317 A CN111724317 A CN 111724317A
Authority
CN
China
Prior art keywords
noise
domain video
data set
raw domain
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010432299.3A
Other languages
English (en)
Inventor
岳焕景
曹聪
杨敬钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202010432299.3A priority Critical patent/CN111724317A/zh
Publication of CN111724317A publication Critical patent/CN111724317A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种Raw域视频去噪监督数据集构造方法，步骤1、将Raw域噪声建模为泊松‑高斯混合噪声；步骤2、拍摄Flat‑field帧以及Bias帧，校正噪声模型在指定ISO下的参数；步骤3、进行ISP仿真与逆ISP仿真，实现可视化Raw图像和生成对应的sRGB域视频图像，将sRGB域视频图像变换为Raw域视频图像；步骤4、准备数据集，包括合成噪声仿真数据集和拍摄真实Raw域视频数据集。与现有技术相比，本发明的一种Raw域视频去噪监督数据集构造方法可用于仿真Raw域噪声，可用于构建大量的“干净‑噪声”成对Raw域视频数据，支持Raw域视频去噪工作。

Description

Raw域视频去噪监督数据集构造方法
技术领域
本发明属于计算机图像处理技术领域，特别涉及一种Raw域视频去噪的相关处理技术。
背景技术
近些年来随着智能手机、监控摄像机、自动驾驶的迅速发展，人们对高质量图像和视频的需求日益突出。然而在恶劣环境下很难保证高质量的成像，例如大部分成像设备在低光照条件下往往会设置较高的ISO，导致生成的视频具有很大的噪声，从而影响后续的视频分析和观赏者的视觉感受。在传感器直接记录的Raw域视频上，噪声遵循接近于泊松高斯分布的简单分布模式，但在经过成像设备ISP(Image Signal Processor)处理后的sRGB域视频上，噪声分布变得非常复杂而且难以建模，因此Raw域去噪比sRGB域去噪更有优势。此外，Raw域的噪声会影响ISP中诸如白平衡、颜色校正、Gamma变换等算法的性能，所以去除Raw域噪声有助于改善后续的ISP处理，生成更高质量的图像，具有重要意义。
卷积神经网络具有强大的拟合能力，已经用于图像检测、分割、复原等多个领域并取得良好的性能。但基于卷积神经网络的方法往往需要大量的数据进行训练，目前已存在多个公开的真实图像去噪数据集，但尚无动态场景下的Raw域视频去噪数据集。
发明内容
为了克服现有技术的不足，本发明提出一种Raw域视频去噪监督数据集构造方法，通过逆ISP与噪声建模方法构建仿真数据集，通过控制目标运动和按时间顺序拍摄burst图像构建真实数据集。
本发明的一种Raw域视频去噪监督数据集构造方法，包括以下步骤：
步骤1、将Raw域噪声建模为泊松-高斯混合噪声，噪声模型表达式为：
Figure BDA0002500981110000021
其中，xp表示观测到的噪声图像，yp表示理想的无噪声图像，
Figure BDA0002500981110000022
表示高斯噪声分量的方差，
Figure BDA0002500981110000023
表示泊松噪声分量的方差，
Figure BDA0002500981110000024
表示泊松分布，
Figure BDA0002500981110000025
表示高斯分布，～表示是属于……分布；
步骤2、拍摄Flat-field帧以及Bias帧，校正噪声模型在指定ISO下的参数；
步骤2.1、拍摄Flat-field帧的具体操作为：将一张白纸贴于墙上，调节相机到指定ISO，对准白纸中心，并调整焦距使白纸充满镜头画面：设定不同的快门时间，对于每个快门时间，连续拍摄两张图像，并分别裁剪各自中心区域400×400大小的块，命名为za与zb；用(za+zb)/2的中位数作为真实信号的估计，用
Figure BDA0002500981110000026
的方差作为噪声方差的估计，从而得到信号-噪声方差图上的一个点；根据多个快门时间得到的多个点估计噪声方差曲线的斜率，即
Figure BDA0002500981110000027
步骤2.2、拍摄Bias帧的具体操作为：将相机置于暗室中，并用镜头盖盖住相机镜头，使得拍摄图像中只含有read noise，调节相机到指定ISO，拍摄一张全黑图像，对该张图像求噪声方差，作为
Figure BDA0002500981110000028
校正之后得到：ISO＝1600时，
Figure BDA0002500981110000029
ISO＝3200时，
Figure BDA00025009811100000210
ISO＝6400时，
Figure BDA00025009811100000211
ISO＝12800时，
Figure BDA00025009811100000212
ISO＝25600时，
Figure BDA00025009811100000213
步骤3、进行ISP仿真与逆ISP仿真，实现可视化Raw图像和生成对应的sRGB域视频图像，将sRGB域视频图像变换为Raw域视频图像，具体处理如下：
步骤3.1、进行ISP仿真：使用SID数据集训练一个卷积神经网络，输入干净Raw域视频图像，输出干净sRGB域视频图像；
步骤3.2、进行逆ISP仿真：让sRGB域图像依次经过逆gamma变换、逆CCM颜色校正、逆白平衡和马赛克，最终得到Bayer模式的Raw域视频图像；
步骤4、准备数据集，具体处理如下：
步骤4.1、合成噪声仿真数据集，具体过程包括：从MOTChallenge数据集中选取4个干净的sRGB视频，通过执行逆ISP仿真操作，将这些sRGB视频映射为所需的干净的Raw域视频，通过已经确定的噪声模型仿真噪声，利用所得到的仿真噪声加入干净的Raw域视频中，得到带噪的Raw域视频，从而建立噪声仿真数据集；
步骤4.2、拍摄真实Raw域视频数据集，具体过程包括：拍摄带有ground truth的室内Raw域视频数据集和不带有ground truth的室外Raw域视频数据；最后，用ISP仿真生成室内、室外对应的sRGB域噪声视频和干净的sRGB域视频；最终将所有Raw域视频数据按时间顺序组合起来形成成对的含有噪声的Raw域视频和干净的Raw域视频作为本步骤的真实数据集。
与现有技术相比，本发明的一种Raw域视频去噪监督数据集构造方法可用于仿真Raw域噪声，可用于构建大量的“干净-噪声”成对Raw域视频数据，支持Raw域视频去噪工作。
附图说明
图1为本发明的一种Raw域视频去噪监督数据集构造方法整体流程示意图；
图2为5个不同ISO值下的噪声方差曲线图；
图3为Raw域视频去噪数据集示例图；该示例图展示了在ISO 25600下捕获的1个video的几帧数据；从左到右分别是视频的第二帧、第三帧和第四帧；从上到下，每一行分别列出了Raw域噪声视频、Raw域干净视频、sRGB域噪声视频和sRGB域干净视频；sRGB域视频是通过预先训练的ISP模块从Raw域视频生成的；
图4为Raw域视频去噪数据集总览图；总览图展示了室内数据的11个场景和室外数据的10个场景，其中室外数据仅包含噪声视频。
具体实施方式
以下结合附图对本发明具体实施方式进行详细说明。
本发明的一种Raw域视频去噪监督数据集构造方法，具体包括以下步骤：
步骤1、将Raw域噪声建模为泊松-高斯混合噪声模型，噪声模型表达式为：
Figure BDA0002500981110000041
其中，xp表示观测到的噪声图像，yp表示理想的无噪声图像。
Figure BDA0002500981110000042
表示高斯噪声分量的方差，
Figure BDA0002500981110000043
表示泊松噪声分量的方差。
Figure BDA0002500981110000044
和
Figure BDA0002500981110000045
表示噪声模型的参数，随着ISO变化而变化，
Figure BDA0002500981110000046
表示泊松分布，
Figure BDA0002500981110000047
表示高斯分布，～表示是属于……分布；
步骤2、拍摄Flat-field帧以及Bias帧，在指定ISO下的参数校正噪声模型；
步骤2.1、拍摄Flat-field帧的具体操作为：将一张白纸贴于墙上，调节相机到指定ISO，对准白纸中心，并调整焦距使白纸充满镜头画面：设定不同的快门时间，对于每个快门时间，连续拍摄两张图像，并分别裁剪各自中心区域400×400大小的块，命名为za与zb。用(za+zb)/2的中位数作为真实信号的估计，用
Figure BDA0002500981110000048
的方差作为噪声方差的估计，从而得到信号-噪声方差图上的一个点。根据多个快门时间得到的多个点，可以估计噪声方差曲线的斜率，即
Figure BDA0002500981110000049
校正得到的
Figure BDA00025009811100000410
数值见图2。
步骤2.2、拍摄Bias帧的具体操作为：将相机置于暗室中，并用镜头盖盖住相机镜头，不让传感器感光，使得拍摄图像中只含有read noise。调节相机到指定ISO，拍摄一张全黑图像，对该张图像求噪声方差，作为
Figure BDA0002500981110000051
校正之后得到：ISO＝1600时，
Figure BDA0002500981110000052
Figure BDA0002500981110000053
ISO＝3200时，
Figure BDA0002500981110000054
ISO＝6400时，
Figure BDA0002500981110000055
ISO＝12800时，
Figure BDA0002500981110000056
ISO＝25600时，
Figure BDA0002500981110000057
步骤3、进行ISP仿真与逆ISP仿真，具体处理如下：
步骤3.1、进行ISP仿真：使用SID数据集训练一个卷积神经网络，输入干净Raw域图像，输出干净sRGB域图像。此处的卷积神经网络结构为“Unet主体+Pixelshuffle上采样”。ISP仿真用于可视化Raw域视频图像和生成对应的sRGB域视频图像。
步骤3.2、进行逆ISP仿真：使用传统方法让sRGB域图像依次经过逆gamma变换、逆CCM颜色校正、逆白平衡、马赛克，最终得到Bayer模式的Raw域视频图像。逆ISP仿真用于将sRGB域视频图像变换为Raw域视频图像。
步骤4、准备数据集，具体处理如下：
步骤4.1、合成噪声仿真数据集，具体过程包括：从MOTChallenge数据集中选取4个干净的sRGB域视频(每个视频有数百帧、分辨率为1920×1080、包含大量运动的行人)，通过执行逆ISP仿真操作，将这些sRGB域视频映射为所需的干净的Raw域视频，通过已经确定的噪声模型仿真噪声，利用所得到的仿真噪声加入干净的Raw域视频中，得到带噪的Raw域视频，从而建立噪声仿真数据集；
步骤4.2、拍摄真实数据集，包括拍摄带有ground truth的室内Raw域视频数据集和不带有ground truth的室外Raw域视频数据；
对于室内Raw域视频数据集，以各种不同内容的海报为背景，主要拍摄可控制移动的玩具。每次将玩具移动一段距离或移动一个角度，然后拍摄具有大量帧的burst Raw域噪声图像，并通过噪声帧取平均的方式得到Raw域干净图像。不同ISO值下(ISO 1600、3200、6400、12800、25600)拍摄的噪声帧数量分别为150、150、250、250、500，用BM3D算法对平均帧进行轻微的去噪，以得到完全没有噪声的干净帧，BM3D的参数sigma设置分别为0.125、0.25、0.5、1、2。总共拍摄得到5个不同ISO下的共55对Raw域视频数据，每对视频数据包含7帧。
对于室外Raw域视频数据集，通过可移动的摄像机云台和移动交流电电源，拍摄不同场景下的动态物体，共拍摄11个场景5个ISO下共50个Raw域噪声视频，每个视频包含50帧，为20FPS。
最后用ISP仿真生成室内、室外对应的sRGB域噪声视频和干净的sRGB域视频；最终将所有Raw域视频数据按时间顺序组合起来形成成对的含有噪声的Raw域视频和干净的Raw域视频。
真实Raw域视频去噪监督数据集的拍摄方法，包含大量的动态场景视频，可用于充分探索多帧间的时域相关性；拍摄额外得到的大量burst Raw域图像和仿真ISP得到的sRGB域图像，可用于burst去噪和sRGB域去噪工作。
以上所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作任何形式的修改或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种Raw域视频去噪监督数据集构造方法，其特征在于，该方法包括以下步骤：
步骤1、将Raw域噪声建模为泊松-高斯混合噪声，噪声模型表达式为：
Figure FDA0002500981100000011
其中，xp表示观测到的噪声图像，yp表示理想的无噪声图像，
Figure FDA0002500981100000012
表示高斯噪声分量的方差，
Figure FDA0002500981100000013
表示泊松噪声分量的方差，
Figure FDA0002500981100000014
表示泊松分布，
Figure FDA0002500981100000015
表示高斯分布，～表示是属于……分布；
步骤2、拍摄Flat-field帧以及Bias帧，校正噪声模型在指定ISO下的参数；
步骤2.1、拍摄Flat-field帧的具体操作为：将一张白纸贴于墙上，调节相机到指定ISO，对准白纸中心，并调整焦距使白纸充满镜头画面：设定不同的快门时间，对于每个快门时间，连续拍摄两张图像，并分别裁剪各自中心区域400×400大小的块，命名为za与zb；用(za+zb)/2的中位数作为真实信号的估计，用
Figure FDA0002500981100000016
的方差作为噪声方差的估计，从而得到信号-噪声方差图上的一个点；根据多个快门时间得到的多个点估计噪声方差曲线的斜率，即
Figure FDA0002500981100000017
步骤2.2、拍摄Bias帧的具体操作为：将相机置于暗室中，并用镜头盖盖住相机镜头，使得拍摄图像中只含有read noise，调节相机到指定ISO，拍摄一张全黑图像，对该张图像求噪声方差，作为
Figure FDA0002500981100000018
校正之后得到：ISO＝1600时，
Figure FDA0002500981100000019
ISO＝3200时，
Figure FDA00025009811000000110
ISO＝6400时，
Figure FDA00025009811000000111
ISO＝12800时，
Figure FDA00025009811000000112
ISO＝25600时，
Figure FDA00025009811000000113
步骤3、进行ISP仿真与逆ISP仿真，实现可视化Raw图像和生成对应的sRGB域视频图像，将sRGB域视频图像变换为Raw域视频图像，具体处理如下：
步骤3.1、进行ISP仿真：使用SID数据集训练一个卷积神经网络，输入干净Raw域视频图像，输出干净sRGB域视频图像；
步骤3.2、进行逆ISP仿真：让sRGB域图像依次经过逆gamma变换、逆CCM颜色校正、逆白平衡和马赛克，最终得到Bayer模式的Raw域视频图像；
步骤4、准备数据集，具体处理如下：
步骤4.1、合成噪声仿真数据集，具体过程包括：从MOTChallenge数据集中选取4个干净的sRGB视频，通过执行逆ISP仿真操作，将这些sRGB视频映射为所需的干净的Raw域视频，通过已经确定的噪声模型仿真噪声，利用所得到的仿真噪声加入干净的Raw域视频中，得到带噪的Raw域视频，从而建立噪声仿真数据集；
步骤4.2、拍摄真实Raw域视频数据集，具体过程包括：拍摄带有ground truth的室内Raw域视频数据集和不带有ground truth的室外Raw域视频数据；最后，用ISP仿真生成室内、室外对应的sRGB域噪声视频和干净的sRGB域视频；最终将所有Raw域视频数据按时间顺序组合起来形成成对的含有噪声的Raw域视频和干净的Raw域视频作为本步骤的真实数据集。
CN202010432299.3A 2020-05-20 2020-05-20 Raw域视频去噪监督数据集构造方法 Pending CN111724317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010432299.3A CN111724317A (zh) 2020-05-20 2020-05-20 Raw域视频去噪监督数据集构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010432299.3A CN111724317A (zh) 2020-05-20 2020-05-20 Raw域视频去噪监督数据集构造方法

Publications (1)

Publication Number Publication Date
CN111724317A true CN111724317A (zh) 2020-09-29

Family

ID=72564754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010432299.3A Pending CN111724317A (zh) 2020-05-20 2020-05-20 Raw域视频去噪监督数据集构造方法

Country Status (1)

Country Link
CN (1) CN111724317A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581401A (zh) * 2020-12-25 2021-03-30 英特灵达信息技术(深圳)有限公司 一种raw图片的获取方法、装置及电子设备
CN112906302A (zh) * 2021-03-01 2021-06-04 常州机电职业技术学院 基于深度残差网络的注塑件表面微缺陷自动快速检测方法
CN113115112A (zh) * 2021-06-16 2021-07-13 上海齐感电子信息科技有限公司 验证平台和验证方法
CN115082357A (zh) * 2022-07-20 2022-09-20 深圳思谋信息科技有限公司 视频去噪数据集生成方法、装置、计算机设备和存储介质
CN115330628A (zh) * 2022-08-18 2022-11-11 盐城众拓视觉创意有限公司 基于图像处理的视频逐帧去噪方法
CN116634284A (zh) * 2023-07-20 2023-08-22 清华大学 Raw域视频去噪方法、装置、电子设备及存储介质
CN118450265A (zh) * 2023-12-29 2024-08-06 荣耀终端有限公司 图像处理方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240187A (zh) * 2013-06-08 2014-12-24 株式会社日立制作所 图像去噪装置及图像去噪方法
CN104735354A (zh) * 2015-03-13 2015-06-24 广东欧珀移动通信有限公司 一种拍摄图像的方法及装置
US20170140220A1 (en) * 2014-03-28 2017-05-18 Universite De Technologie De Troyes System for Identifying a Photographic Camera Model Associated with a JPEG-Compressed Image, and Associated Method, Uses and Applications
CN110246105A (zh) * 2019-06-15 2019-09-17 南京大学 一种基于实际相机噪声建模的视频去噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240187A (zh) * 2013-06-08 2014-12-24 株式会社日立制作所 图像去噪装置及图像去噪方法
US20170140220A1 (en) * 2014-03-28 2017-05-18 Universite De Technologie De Troyes System for Identifying a Photographic Camera Model Associated with a JPEG-Compressed Image, and Associated Method, Uses and Applications
CN104735354A (zh) * 2015-03-13 2015-06-24 广东欧珀移动通信有限公司 一种拍摄图像的方法及装置
CN110246105A (zh) * 2019-06-15 2019-09-17 南京大学 一种基于实际相机噪声建模的视频去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUANJING YUE: "Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes", 《ARXIV》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581401A (zh) * 2020-12-25 2021-03-30 英特灵达信息技术(深圳)有限公司 一种raw图片的获取方法、装置及电子设备
CN112906302A (zh) * 2021-03-01 2021-06-04 常州机电职业技术学院 基于深度残差网络的注塑件表面微缺陷自动快速检测方法
CN113115112A (zh) * 2021-06-16 2021-07-13 上海齐感电子信息科技有限公司 验证平台和验证方法
CN113115112B (zh) * 2021-06-16 2021-09-21 上海齐感电子信息科技有限公司 验证平台和验证方法
CN115082357A (zh) * 2022-07-20 2022-09-20 深圳思谋信息科技有限公司 视频去噪数据集生成方法、装置、计算机设备和存储介质
CN115082357B (zh) * 2022-07-20 2022-11-25 深圳思谋信息科技有限公司 视频去噪数据集生成方法、装置、计算机设备和存储介质
CN115330628A (zh) * 2022-08-18 2022-11-11 盐城众拓视觉创意有限公司 基于图像处理的视频逐帧去噪方法
CN115330628B (zh) * 2022-08-18 2023-09-12 盐城众拓视觉创意有限公司 基于图像处理的视频逐帧去噪方法
CN116634284A (zh) * 2023-07-20 2023-08-22 清华大学 Raw域视频去噪方法、装置、电子设备及存储介质
CN116634284B (zh) * 2023-07-20 2023-10-13 清华大学 Raw域视频去噪方法、装置、电子设备及存储介质
CN118450265A (zh) * 2023-12-29 2024-08-06 荣耀终端有限公司 图像处理方法及相关设备

Similar Documents

Publication Publication Date Title
CN111724317A (zh) Raw域视频去噪监督数据集构造方法
Wei et al. A physics-based noise formation model for extreme low-light raw denoising
Rudnev et al. Nerf for outdoor scene relighting
Brooks et al. Unprocessing images for learned raw denoising
Wei et al. Physics-based noise modeling for extreme low-light photography
CN107578390B (zh) 一种使用神经网络进行图像白平衡校正的方法及装置
CN107045715B (zh) 一种单幅低动态范围图像生成高动态范围图像的方法
CN107925751B (zh) 用于多视点降噪和高动态范围的系统和方法
CN111986084B (zh) 一种基于多任务融合的多相机低光照图像质量增强方法
Liu et al. Noise estimation from a single image
CN108055452A (zh) 图像处理方法、装置及设备
CN108024054A (zh) 图像处理方法、装置及设备
CN108416754A (zh) 一种自动去除鬼影的多曝光图像融合方法
CN113822830B (zh) 基于深度感知增强的多曝光图像融合方法
CN113313661A (zh) 图像融合方法、装置、电子设备及计算机可读存储介质
CN114862698B (zh) 一种基于通道引导的真实过曝光图像校正方法与装置
Punnappurath et al. Day-to-night image synthesis for training nighttime neural isps
CN107392879B (zh) 一种基于参考帧的低照度监控图像增强方法
CN111179189A (zh) 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质
CN108156369A (zh) 图像处理方法和装置
CN111986106A (zh) 一种基于神经网络的高动态图像重建方法
Lv et al. Low-light image enhancement via deep Retinex decomposition and bilateral learning
CN112651911A (zh) 一种基于偏振图像的高动态范围成像生成方法
CN106375675B (zh) 一种航空相机多曝光图像融合方法
CN109325905B (zh) 图像处理方法、装置、计算机可读存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200929

WD01 Invention patent application deemed withdrawn after publication