当前位置：首页 > news >正文

LEDNet总结

news 来源：原创 2025/8/9 20:47:51

LEDNet：联合低光增强和暗光去模糊

1、暗光增强和去模糊可以单独处理，但是合并效果不理想。

研究问题的背景：光线不足可见度颜色失真最小快门速度有限长时间曝光引起运动模糊低光运动模糊同时存在
在这里插入图片描述
存在问题：暗光增强后运动模糊过度曝光扩大降噪平滑去除模糊信息增强后去模糊实现没有效果白天场景去模糊用不到晚上低动态范围运动线索难被感知晚上的模糊图像的饱和区域不符合白天的模糊模型
解决：提出LEDNet网络来进行联合处理考虑了关联任务的协同作用编码器-解码器结构编码器光增强解码器去模糊自适应跳过连接获得早期层的信息聚合层次全局先验可以多个层次提取图像的全局信息可学习的非线性层有助于更好的照亮黑暗

2、没有可以同时展示低光和模糊的数据集。

问题：暗光数据有联合配对数据集无模糊数据集缺乏饱和场景的序列模糊模拟生成不适当模糊模拟倾向于不减弱饱和区域的模糊
解决：数据合成管道/数据合成系统/LOL-Blur 模拟饱和区域模糊效果更加真实新的模糊模拟方法可以保持饱和强度

3、LOL-Blur数据集

数据集大小：170个视频训练 30个视频测试每个视频60帧有12000对配对数据

传统低光模拟：利用伽马矫正非线性调整亮度带有暖色调的色差
论文的低光模拟：EC-Zero-DCE模拟

传统模糊模拟：传统方法高帧率连续帧平均模拟对于暗光图像饱和像素区域不准确
论文的模糊模拟：恢复饱和区域的剪辑强度

数据集制作：250fps录制200个视频分辨率缩小到1120*640大小 VBM4D算法去噪得到干净的视频序列 7或9帧作为一个序列片段中间帧为真实图像

4、低光模糊图像生成

暗化处理：Zero-DCE的反向曲线模拟低光环境改变曝光控制损失像素级和空间变换的光照调整
帧插值：帧率提升2000fps
饱和区域的剪辑反转：这样做的目的是恢复之前被忽略的强度信息，使模糊模型能够更准确地处理饱和区域。
1、定义饱和区域：在Lab颜色空间中，亮度通道 L 的取值范围是 [0, 100]。我们将亮度值大于某个阈值 δ 的区域定义为饱和区域。在这个例子中，经验性地设置 δ=98，即亮度值大于98的区域被认为是饱和区域。
2、添加随机补充值：对于每个饱和像素，我们在其RGB通道上添加一个随机补充值 r，这个值是从均匀分布 U(20,100) 中随机抽取的。
3、重新表述模糊模型

想象你有一张照片，其中有一些非常亮的区域（比如灯光或反光），这些区域的亮度值已经达到了最大值。当你尝试对这张照片进行模糊处理时，这些非常亮的区域可能会变得不那么亮，从而失去了原有的细节。为了解决这个问题，我们可以在这些非常亮的区域上添加一些随机的亮度值，让它们看起来更接近原来的亮度。这样，当我们对整张照片进行模糊处理时，这些非常亮的区域就能保留更多的细节，使得模糊效果更加真实。通过这种方法，我们不仅能够处理普通的模糊区域，还能更好地处理那些非常亮的饱和区域，从而得到更高质量的模糊图像。