四川省示范校建设网站,wordpress经常无响应,企业网站适合响应式嘛,网站优化策略这是ACMMM2019的一篇有监督暗图增强的论文#xff0c;KinD其网络结构如下图所示#xff1a; 首先是一个分解网络分解出R和L分量#xff0c;然后有Restoration-Net和Adjustment-Net分别去对R分量和L分量进一步处理#xff0c;最终将处理好的R分量和L分量融合回去。这倒是很常…
这是ACMMM2019的一篇有监督暗图增强的论文KinD其网络结构如下图所示 首先是一个分解网络分解出R和L分量然后有Restoration-Net和Adjustment-Net分别去对R分量和L分量进一步处理最终将处理好的R分量和L分量融合回去。这倒是很常规的流程。其中有些novel的细节一个是分解网络利用得到的R分量来指导L分量的提取。一个是可控的亮度调节模块
分解网络 分解网络的损失函数如下其中前两个损失很常见分别是重建损失和暗图亮图具有相同R的约束。第三个损失是L分量的平滑损失不过用原图的梯度进行归一化以使得暗图的边缘区域得以保留第四个损失同样是对L分量的平滑损失这里则是用一个曲线使得梯度值居中的部分噪声平滑掉 L i s L D L^{LD}_{is} LisLD
R的重建网络
restoration net的损失函数如下是暗图的R的修复结果和亮图的R的各种距离度量
I 的调整网络
illumination adjustment net的输入除了分解网络估计的 L L L还有一个全为 α \alpha α的concatenate到 L L L的feature map α \alpha α表示调节因子可以用目标 L L L除以输入的 L L L去global average得到。网络的功能是将输入的 L L L调整为target的 L L L。这一方法相比其它retinex的方法直接对 L L L进行gamma校正的手段具有更好的效果。这一模块的损失函数如下这一损失要算两次的一次是暗图的 L L L作为输入亮图的 L L L作为target一次是反过来 实验结果
方法的可视化效果和NIQE都非常不错在LOL上的PSNR也很高
