- CVPR2023의 약한 감독된 어두운 이미지 향상 논문으로 동일한 장면에 대해 서로 다른 밝기와 동일한 내용의 두 개의 어두운 이미지로 구성된 데이터 세트가 필요합니다. neighbor2neighbor로 이동하여 두 개의 이미지를 얻습니다.
- 네트워크 구조는 아래 그림과 같으며 3개의 모듈로 구성되어 있습니다. P-net은 이미지의 잡음 제거 및 아티팩트 제거를 담당합니다. L-Net과 R-Net은 각각 레티넥스의 L 성분 및 R 성분 추정에 해당합니다. 모델. g(L)은 감마 보정입니다.
- 학습 과정에서 세 가지 손실이 있음을 알 수 있는데, 그 중 하나는 P-Net의 재구성 손실인데, 실제로는 입력 및 출력의 L2 손실입니다(P-Net이 작동할 수 있는 이유도 L2 손실에 의존해야 함). 다른 손실의 감독), 레티넥스의 재구성 손실(L*R=I)이며 두 개의 어두운 이미지에 의해 생성된 R 구성 요소는 다음과 같이 동일한 손실이어야 합니다.
- 레티넥스 재건 손실은 매우 특별하며 4가지 항목으로 구성되어 있는데, 첫 번째, 세 번째, 네 번째 항목은 보다 일반적이며 일반적인 레티넥스 이전 손실입니다. 두 번째 항은 상보적입니다. 여기서 stopgrad는 기울기가 L로 전파되지 않음을 의미합니다.
- 실험결과 나쁘지 않네요
- 요약: 기사의 취지가 좀 이상한 것 같습니다. 동일한 장면에 대한 두 개의 이미지를 얻을 수 있으므로 하나는 어둡고 하나는 밝은 것이 어떻습니까? 그러나 neighbor2neighbor 샘플링을 사용하여 훈련용 샘플 2개를 얻는다면 괜찮을 것입니다. 그러나 이런 방식으로 훈련한 실험 결과는 없습니다. 사실 혁신 포인트는 평균 수준입니다. 유일한 것은 P-net이 레티넥스 손실을 사용하여 이미지의 노이즈를 제거한다는 것인데 매우 흥미롭습니다. 다른 것들은 레티넥스 방식의 일반적인 손실입니다.