Core Concepts
Effektive Region-aware Exposure Correction Network zur Bewältigung von Bildern mit gemischter Belichtung.
Abstract
Einleitung:
Fotos in ungleichmäßigen Lichtverhältnissen leiden unter Über- und Unterbelichtungsproblemen.
Entwicklung von Deep Learning zur intelligenten und automatischen Lösung dieses Problems.
Exposure Correction:
Traditionelle Methoden wie Histogrammausgleich und Gamma-Korrektur.
Retinex-Theorie-basierte Techniken zur Bildzerlegung.
Learning-based Methods:
Tiefe Lernmethoden zur Modellierung der Beziehung zwischen Beleuchtung und Reflexion.
Region-aware Exposure Correction Network:
Region-aware De-exposure Module zur Karten regionaler Merkmale in einen belichtungsinvarianten Raum.
Mixed-scale Restoration Unit zur Wiederherstellung von Details.
Exposure Contrastive Regularization zur Modellierung der Beziehungen zwischen belichteten Regionen.
Experimente:
Überlegene Leistung auf verschiedenen Datensätzen.
Vergleich mit State-of-the-art-Methoden:
Unsere Methode erzielt die besten Ergebnisse in Bezug auf PSNR und SSIM.
Ablation Studies und Diskussion:
Effektivität der spezifischen Module und Anzahl der Parameter in RECNet.
Erweiterung:
Region-aware De-exposure Module verbessert die Leistung von Baseline-Methoden.
Stats
Exposure correction aims to enhance images suffering from improper exposure.
Extensive experiments demonstrate the superiority of the proposed method.
The model is optimized using the ADAM optimizer with specific parameters.
Quotes
"Unsere Methode erzielt die besten Ergebnisse in Bezug auf PSNR und SSIM."
"Region-aware De-exposure Module verbessert die Leistung von Baseline-Methoden."