CN114723643A - 一种基于强化学习和美学评估的低光图像增强方法 - Google Patents
一种基于强化学习和美学评估的低光图像增强方法 Download PDFInfo
- Publication number
- CN114723643A CN114723643A CN202210650946.7A CN202210650946A CN114723643A CN 114723643 A CN114723643 A CN 114723643A CN 202210650946 A CN202210650946 A CN 202210650946A CN 114723643 A CN114723643 A CN 114723643A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- network
- loss
- aesthetic
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 230000002787 reinforcement Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 101000767160 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Intracellular protein transport protein USO1 Proteins 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于强化学习和美学评估的低光图像增强方法,首先生成不同光照场景下的非正常亮度图像,并基于所述非正常亮度图像构建强化学习系统的训练数据集;接着初始化强化学习系统中的训练数据集、策略网络和价值网络,基于无参考奖励值和美学评估奖励值更新策略网络和价值网络;完成训练后输出增强后的图像结果;本发明通过对强化学习中定义的动作空间范围扩大,输入的低光图像得到的增强操作就有了更大的动态范围,对于现实场景具有更高的灵活性,能更好的满足真实场景下的低光图像增强需求;此外通过引入美学质量评估的分数作为损失函数的一部分,可以使增强后的图像具有更好的视觉效果及用户主观评价得分。
Description
技术领域
本发明涉及图像增强技术领域,主要涉及一种基于强化学习和美学评估的低光图像增强方法。
背景技术
在恶劣照明条件下拍摄的图片,由于数码相机传感器的入射光亮不足,会导致图像的动态范围低,同时还会受到噪声的严重干扰,难以获得高质量的图像,而低光图像增强在计算机视觉领域扮演着十分重要的角色。低光照拍摄的图片往往会有很多不良影响,例如拍出来的图像模糊导致图像主体不确定,人脸模糊导致识别不准确,细节模糊导致图像表达意思错误。这样的话不仅会影响人使用摄像设备的体验,降低了照片质量;有时候更是会导致传达错误的信息。低光图像增强使拍摄的图像亮度更亮、对比度更高、结构信息更明显,从而有利于后续的高层次工作,比如目标检测、人脸识别、图像分类等,具有很强的现实意义。
近年来,基于深度学习的方法通常以高质量的正常光图像作为指导,来学习如何改进和增强低光图像。LL-Net( Kin Gwn Lore, Adedotun Akintayo, and SoumikSarkar. 2017. LLNet: A deep autoencoder approach to natural low-light imageenhancement. Pattern Recognition 61 (2017), 650–662.)提出了一种堆叠自动编码器,利用合成的低光/正常光图像对同时进行去噪和增强。然而,由于其与真实图像的差异,合成数据的分布不可避免地偏离真实世界的图像,因此在转移到真实情况时导致性能严重下降。随后,Wei等人( Chen Wei, Wenjing Wang, Wenhan Yang, and Jiaying Liu.2018. Deep retinex decomposition for low-light enhancement. arXiv preprintarXiv:1808.04560 (2018).)收集了一个具有低光/正常光图像对的真实数据集,在此基础上,提出了视网膜网络以数据驱动的方式将图像分解为照明和反射率。在此之后,还有很多其他有监督的低光图像增强神经网络被提出( Wenhan Yang, Shiqi Wang, Yuming Fang,Yue Wang, and Jiaying Liu. 2020. From Fidelity to Perceptual Quality: A Semi-Supervised Approach for Low-Light Image Enhancement. In IEEE/CVF Conferenceon Computer Vision and Pattern Recognition (CVPR).; Yonghua Zhang, JiawanZhang, and Xiaojie Guo. 2019. Kindling the darkness: A practical low-lightimage enhancer. In Proceedings of the 27th ACM International Conference onMultimedia. 1632–1640.)。最近的方法侧重于无监督的低光图像增强,它可以直接使用没有任何配对训练数据的低光图像来对模型进行训练。最近的Zero-DCE( Chunle Guo,Chongyi Li, Jichang Guo, Chen Change Loy, Junhui Hou, Sam Kwong, and RunminCong. 2020. Zero-Reference Deep Curve Estimation for Low-Light ImageEnhancement. In Proceedings of the IEEE/CVF Conference on Computer Vision andPattern Recognition. 1780–1789.)使用非参考损失来训练深度低光图像增强模型。然而,现有的深度学习方法往往只关注对亮度不足的低光图像的增强,但是在背光条件和光照不均匀场景下的低光图像中还会存在正常亮度或者过度曝光的现象。
另一方面,对于图像增强任务而言,最重要的评价标准就是用户的主观评价。但是在现有的方法中在模型的训练阶段往往都采用有参考/无参考的客观评价指标(损失函数)来指导模型的训练。其中有参考的损失函数主要包括L1损失、L2损失和SSIM损失,无参考的损失函数主要使用的是空间一致性损失(Spatial Consistency Loss)、曝光控制损失(Exposure Control Loss)、颜色恒常损失(Color Constancy Loss)和亮度平滑损失(Illumination Smoothness Loss)。以上所述的有参考/无参考损失函数关注的更多是低光图像和正常亮度图像之间的差距以及图像自身的特征,忽略了用户主观评价。
发明内容
发明目的:针对上述背景技术中存在的问题,本发明提供了一种基于强化学习和美学评估的低光图像增强方法,首先考虑到低光图像成像方式和场景的复杂性,将动作空间范围定义的更广,不仅包括将图像像素亮度提高的操作,还有将图像像素亮度降低的操作。增强操作可以多次进行,通过学习一个随机增强策略,对于现实场景具有更高的灵活性,其次在计算损失函数时,在使用更灵活的无参考损失的同时,引入了新的可以近似看作用户主观评价指标的美学质量评分作为损失函数的一部分。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于强化学习和美学评估的低光图像增强方法,包括以下步骤:
步骤S1、生成不同光照场景下的非正常亮度图像,并基于所述图像构建强化学习系统的训练数据集;
步骤S2、初始化强化学习系统中的训练数据集、策略网络和价值网络;
步骤S3、基于无参考奖励值和美学评估奖励值更新策略网络和价值网络;
步骤S4、当所有样本训练完成,且完成所有训练迭代次数时,模型训练完毕;
步骤S5、输出对低光图像增强后的图像结果。
进一步地,所述步骤S2中初始化策略网络和价值网络具体方法包括:
进一步地,所述步骤S3中更新策略网络和价值网络的具体步骤包括:
步骤S3.1、基于历史阶段图像对训练数据集进行训练,获得环境奖励值如下:
步骤S3.2、基于历史阶段图像对训练数据集进行训练,获得价值网络输出值;
步骤S3.3、基于环境奖励值和价值网络输出值对价值网络进行更新:
步骤S3.4、基于环境奖励值和预测价值对策略网络进行更新:
进一步地,所述步骤S3.1中环境奖励值考虑以下影响因子:
(1)空间一致性损失
(2)曝光控制损失
(3)颜色恒常损失
(4)亮度平滑损失
(5)美学质量损失
为了对增强后图像的美学质量进行评分,额外引入图像美学评分深度学习网络模型来对图像进行美学评分,进而计算美学质量损失;分别利用图像的颜色和亮度属性以及质量属性训练两个独立的美学评分模型,记为和;通过一个额外引入的美学评估模型进行评分;
美学质量损失表示如下:
t时刻的环境奖励值在引入影响因子的条件下表示如下:
进一步地,空间一致性损失中将局部区域大小K设置为4×4。
进一步地,曝光控制损失中将E设置为0.6,M代表大小为16×16的非重叠局部区域。
有益效果:
(1)本发明通过对强化学习中定义的动作空间范围扩大,输入的低光图像得到的增强操作就有了更大的动态范围,对于现实场景具有更高的灵活性。考虑到低光场景中的光照不均匀和背光等情况,不仅设置了将图像亮度增强的动作,而且动作空间中还包括将图像亮度变暗的行为,这样的定义方式能更好的满足真实场景下的低光图像增强需求。
(2)本发明通过引入美学质量评估的分数作为损失函数的一部分,可以使增强后的图像具有更好的视觉效果及用户主观评价得分。在现有的基于深度学习的低光增强方法中,大多数方法依赖于成对的训练数据集并采用有参考的损失函数,也有部分方法利用图像自身的信息设计了无参考的损失函数来指导增强网络的训练。但是上述损失均为客观评价指标,本发明引入美学评估分数作为模拟用户主观评价的指标,能够更好的指导低光图像增强网络生成用户满意的高质量图像。
附图说明
图1是本发明提供的基于强化学习和美学评估的低光图像增强方法流程图;
图2是本发明提供的基于强化学习和美学评估的低光图像增强方法的算法框架图。
具体实施方式
下面结合附图对本发明作更进一步的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于强化学习和美学评估的低光图像增强方法,具体原理如图1所示,包括以下步骤:
步骤S1、生成不同光照场景下的非正常亮度图像,并基于图像构建强化学习系统的训练数据集。
步骤S2、初始化强化学习系统中的训练数据集、策略网络和价值网络。
步骤S3、基于无参考奖励值和美学评估奖励值更新策略网络和价值网络。具体地,
步骤S3.1、基于历史阶段图像对训练数据集进行训练,获得环境奖励值如下:
(1)空间一致性损失
(2)曝光控制损失
其中E代表图像像素在RGB颜色空间中的灰度水平。M代表非重叠的若干局部区域。Y代表增强后的图像中一个局部区域的像素平均灰度值,局部区域的大小为;本实施例中将E设置为0.6,M代表大小为16×16的非重叠局部区域。
(3)颜色恒常损失
(4)亮度平滑损失
(5)美学质量损失
目前美学图像分析在计算机视觉领域中引起了越来越多的关注。它与对视觉美学的高级感知有关。用于图像美学质量评估的机器学习模型具备广泛应用前景,如图像检索、照片管理、图像编辑和摄影等。对于人类来说,审美质量评价总是与图像的颜色和亮度、图像的质量、构图和深度以及语义内容相关联。很难将审美质量评价视为一项孤立的任务。为了对增强后图像的美学质量进行评分,本发明额外引入图像美学评分深度学习网络模型来对图像进行美学评分,进而计算美学质量损失。分别利用图像的颜色和亮度属性以及质量属性训练两个独立的美学评分模型,记为和。美学质量损失的表示如下:
t时刻的环境奖励值在引入影响因子的条件下表示如下:
步骤S3.2、基于历史阶段图像对训练数据集进行训练,获得价值网络输出值。
步骤S3.3、基于环境奖励值和价值网络输出值对价值网络进行更新:
步骤S3.4、基于环境奖励值和价值网络输出值对策略网络进行更新:
在增强操作的每一步中,首先将该状态下的低光图像输入策略网络。策略网格根据当前输入的图像对图像中每个像素制定一个增强策略并输出。输入的图像根据策略网络制定的策略执行增强操作。该增强操作在预先制定的方案需要迭代多次。
动作空间A对于网络的性能而言至关重要,因为太小的范围会导致对低光图像的增强有限,而太大的范围会导致非常大的搜索空间,网络训练会变得非常困难。本实施例中,根据经验设置范围A∈[−0.5,0.5],步距为0.05。这一设置作用在预先定义的输出表示,具体如下:
类似照片编辑软件中使用的图像亮度曲线调整,这里预先定义的输出表示是一个二次曲线,表示为:
上述设置可以确保:
a、每个像素都在[0,1]的归一化范围内。
b、降低了寻找合适增强策略的成本。对于不同的增强迭代次数选择,我们的增强曲线可以有效地覆盖该动作空间设置下的像素值空间。
步骤S4、当满足对所有样本训练完成,且完成所有训练迭代次数时,模型训练完成。
步骤S5、输出对低光图像增强后的图像结果。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于强化学习和美学评估的低光图像增强方法,其特征在于,包括以下步骤:
步骤S1、生成不同光照场景下的非正常亮度图像,并基于所述图像构建强化学习系统的训练数据集;
步骤S2、初始化强化学习系统中的训练数据集、策略网络和价值网络;
步骤S3、基于无参考奖励值和美学评估奖励值更新策略网络和价值网络;
步骤S4、当所有样本训练完成,且完成所有训练迭代次数时,模型训练完毕;
步骤S5、输出对低光图像增强后的图像结果。
3.根据权利要求2所述的一种基于强化学习和美学评估的低光图像增强方法,其特征在于,所述步骤S3中更新策略网络和价值网络的具体步骤包括:
步骤S3.1、基于历史阶段图像对训练数据集进行训练,获得环境奖励值如下:
步骤S3.2、基于历史阶段图像对训练数据集进行训练,获得价值网络输出值;
步骤S3.3、基于环境奖励值和价值网络输出值对价值网络进行更新:
步骤S3.4、基于环境奖励值和预测价值对策略网络进行更新:
5.根据权利要求3所述的一种基于强化学习和美学评估的低光图像增强方法,其特征在于,所述步骤S3.1中环境奖励值考虑以下影响因子:
(1)空间一致性损失
(2)曝光控制损失
(3)颜色恒常损失
(4)亮度平滑损失
(5)美学质量损失
为了对增强后图像的美学质量进行评分,额外引入图像美学评分深度学习网络模型来对图像进行美学评分,进而计算美学质量损失;分别利用图像的颜色和亮度属性以及质量属性训练两个独立的美学评分模型,记为和;通过一个额外引入的美学评估模型进行评分;
美学质量损失表示如下:
t时刻的环境奖励值在引入影响因子的条件下表示如下:
6.根据权利要求5所述的一种基于强化学习和美学评估的低光图像增强方法,其特征在于,空间一致性损失中将局部区域大小K设置为4×4。
7.根据权利要求5所述的一种基于强化学习和美学评估的低光图像增强方法,其特征在于,曝光控制损失中将E设置为0.6,M代表大小为16×16的非重叠局部区域。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650946.7A CN114723643B (zh) | 2022-06-10 | 2022-06-10 | 一种基于强化学习和美学评估的低光图像增强方法 |
PCT/CN2023/074843 WO2023236565A1 (zh) | 2022-06-10 | 2023-02-07 | 一种基于强化学习和美学评估的低光图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650946.7A CN114723643B (zh) | 2022-06-10 | 2022-06-10 | 一种基于强化学习和美学评估的低光图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723643A true CN114723643A (zh) | 2022-07-08 |
CN114723643B CN114723643B (zh) | 2022-10-25 |
Family
ID=82232404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210650946.7A Active CN114723643B (zh) | 2022-06-10 | 2022-06-10 | 一种基于强化学习和美学评估的低光图像增强方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114723643B (zh) |
WO (1) | WO2023236565A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511754A (zh) * | 2022-11-22 | 2022-12-23 | 北京理工大学 | 基于改进的Zero-DCE网络的低照度图像增强方法 |
WO2023236565A1 (zh) * | 2022-06-10 | 2023-12-14 | 南京航空航天大学 | 一种基于强化学习和美学评估的低光图像增强方法 |
CN117455795A (zh) * | 2023-10-27 | 2024-01-26 | 南京航空航天大学 | 一种基于强化学习的多模态图像去噪方法 |
CN117893449A (zh) * | 2024-03-15 | 2024-04-16 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN117455795B (zh) * | 2023-10-27 | 2024-06-11 | 南京航空航天大学 | 一种基于强化学习的多模态图像去噪方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690062B (zh) * | 2024-02-02 | 2024-04-19 | 武汉工程大学 | 一种矿内矿工异常行为检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295223A1 (en) * | 2018-03-22 | 2019-09-26 | Adobe Inc. | Aesthetics-guided image enhancement |
CN112258420A (zh) * | 2020-11-02 | 2021-01-22 | 北京航空航天大学杭州创新研究院 | 基于dqn的图像增强处理方法及装置 |
CN114037622A (zh) * | 2021-10-25 | 2022-02-11 | 浙江工业大学 | 一种基于成像模型和强化学习的水下图像增强方法 |
CN114283083A (zh) * | 2021-12-22 | 2022-04-05 | 杭州电子科技大学 | 一种基于解耦表示的场景生成模型的美学增强方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033693A (zh) * | 2021-04-09 | 2021-06-25 | 中国矿业大学 | 一种融合用户主观属性的个性化图像美学评价方法及装置 |
CN114219182A (zh) * | 2022-01-20 | 2022-03-22 | 天津大学 | 一种基于强化学习的异常天气场景风电预测方法 |
CN114723643B (zh) * | 2022-06-10 | 2022-10-25 | 南京航空航天大学 | 一种基于强化学习和美学评估的低光图像增强方法 |
-
2022
- 2022-06-10 CN CN202210650946.7A patent/CN114723643B/zh active Active
-
2023
- 2023-02-07 WO PCT/CN2023/074843 patent/WO2023236565A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295223A1 (en) * | 2018-03-22 | 2019-09-26 | Adobe Inc. | Aesthetics-guided image enhancement |
CN112258420A (zh) * | 2020-11-02 | 2021-01-22 | 北京航空航天大学杭州创新研究院 | 基于dqn的图像增强处理方法及装置 |
CN114037622A (zh) * | 2021-10-25 | 2022-02-11 | 浙江工业大学 | 一种基于成像模型和强化学习的水下图像增强方法 |
CN114283083A (zh) * | 2021-12-22 | 2022-04-05 | 杭州电子科技大学 | 一种基于解耦表示的场景生成模型的美学增强方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236565A1 (zh) * | 2022-06-10 | 2023-12-14 | 南京航空航天大学 | 一种基于强化学习和美学评估的低光图像增强方法 |
CN115511754A (zh) * | 2022-11-22 | 2022-12-23 | 北京理工大学 | 基于改进的Zero-DCE网络的低照度图像增强方法 |
CN115511754B (zh) * | 2022-11-22 | 2023-09-12 | 北京理工大学 | 基于改进的Zero-DCE网络的低照度图像增强方法 |
CN117455795A (zh) * | 2023-10-27 | 2024-01-26 | 南京航空航天大学 | 一种基于强化学习的多模态图像去噪方法 |
CN117455795B (zh) * | 2023-10-27 | 2024-06-11 | 南京航空航天大学 | 一种基于强化学习的多模态图像去噪方法 |
CN117893449A (zh) * | 2024-03-15 | 2024-04-16 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114723643B (zh) | 2022-10-25 |
WO2023236565A1 (zh) | 2023-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723643B (zh) | 一种基于强化学习和美学评估的低光图像增强方法 | |
Zhuang et al. | Underwater image enhancement with hyper-laplacian reflectance priors | |
Zhuang et al. | Bayesian retinex underwater image enhancement | |
Li et al. | An underwater image enhancement benchmark dataset and beyond | |
US8280165B2 (en) | System and method for segmenting foreground and background in a video | |
Liu et al. | HoLoCo: Holistic and local contrastive learning network for multi-exposure image fusion | |
Niu et al. | 2D and 3D image quality assessment: A survey of metrics and challenges | |
Emberton et al. | Hierarchical rank-based veiling light estimation for underwater dehazing. | |
Ma et al. | Low-light image enhancement via self-reinforced retinex projection model | |
CN108765423B (zh) | 一种卷积神经网络训练方法及装置 | |
Pierre et al. | Luminance-chrominance model for image colorization | |
Fezza et al. | Perceptual evaluation of adversarial attacks for CNN-based image classification | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN116583878A (zh) | 用于个性化3d头部模型变形的方法和系统 | |
US20230074060A1 (en) | Artificial-intelligence-based image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product | |
Li et al. | An adaptive enhancement method for low illumination color images | |
CN112200736A (zh) | 基于强化学习的图像处理方法及模型训练方法、装置 | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
Liu et al. | Progressive complex illumination image appearance transfer based on CNN | |
Luo et al. | Under-display camera image enhancement via cascaded curve estimation | |
Xie et al. | Color transfer using adaptive second-order total generalized variation regularizer | |
Li et al. | All-e: aesthetics-guided low-light image enhancement | |
Yan et al. | A natural-based fusion strategy for underwater image enhancement | |
Chen et al. | Low‐light image enhancement based on exponential Retinex variational model | |
CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |