当前位置:首页 > 天道酬勤 > 正文内容

cvpr和pami(cvpr审稿多久)

张世龙2021年12月20日 11:23天道酬勤510

端庄的洋葱来自凹非寺

量子报道|公众号QbitAI

暗光照片也很清晰,这是手机制造商目前激烈竞争的新照片目标。

但是,除了积累摄像头和硬件外,AI科学家还将在算法方面取得新的突破。

他们提出基于深度学习优化照明暗光下的图像增强模型,在端到端网络中增强曝光不足的照片。

另外,不像以前的工作那样直接学习从图像到图像的映射,而是在新的网络中导入中间照明,使输入与预期的增强结果相关联,增强网络从专家修饰的输入输出图像中学习复杂的拍摄调整的能力。

结果证明,新算法模型具有超过市场上热门的多镜头多硬手机的效果。

这个新算法是腾讯优图实验室提出的,孤独的烤鸡,badlc和嘉佳亚是作者,论文入选CVPR 2019。

传统图像增强算法不好用

YouTube报道,在社交网络上,我喜欢分享自己用不同设备拍摄的照片,特别是用手机拍摄的照片。 但是,在大多数情况下,在低照度和背光环境下拍摄的照片往往曝光不足,图像强调的全过程不是直线操作,强调的结果是主观的,因此曝光不足图像的强调是非常困难的工作。

目前,市面上有Adobe lightroom、PhotoShop等用户可以交互处理图像的专业图像处理软件。 但是,对业余爱好者来说,同时处理颜色、对比度、光的调节等操作是非常困难的。

虽然有些软件提供了一键自动扩展图像的功能,如Lightroom的Auto Tone功能和iPhone的魔法棒扩展功能,但平衡各方面的调整是非常复杂的事情。

这些软件仍然会得到失败的案例。

传统的夜景图像增强算法大致分为直方图均衡(Histogram equalization )的几个方面,但该方法简单地利用了图像整体的统计性质,通常不能得到复杂场景的理想效果。

基于Retinex理论的扩展算法通常只能通过单通道优化灯光,无法顺利恢复颜色,在灯光复杂的情况下容易曝光。

这些传统方法在提高图像亮度的同时,还会放大噪声等伪影,容易影响图像质量。

基于深度学习的方法通常是直接训练回归(regression )模型,从数据本身的特性来看,该方法得到的结果通常清晰度、对比度低,有人工痕迹。

转换方法+网络结构设计

对此,腾讯优图将图像增强问题转化为照明优化问题。

迄今为止的神经网络从训练数据中,学习了从原始图像到清晰图像的回归映射。

优图是指通过神经网络学习中间结果图像的光照图(illumination ),进而根据输入图像与光照图的关系强调的图像。

与几种典型的商业软件的效果进行比较。

具体方面和网络结构:

在网络结构的设计中,本方案采用创新的二分支网络结构。

网络分为全分辨率分支和低分辨率分支。 其中低分辨率分支用于学习全图照明的整体信息,低分辨率图像的使用有助于增加网络感受领域,提高算法速度。

低分辨率分支的结果传递到高分辨率网络分支,重建全分辨率下的亮度图,最终得到强调的图像。

另外,优图设计的新损失函数包括图像重构损失、照明局部平滑损失、颜色损失,进一步帮助了腾讯优图的网络更稳定、清晰、颜色更真实、鲜艳的结果。

得益于双分支网络的设计和全分辨率分支中双边上采样模块的设计,本方法在保证效果的同时,在GPU上实现了高分辨率图像(

)进行实时的增强。

实现细节如下:

夜景图像增强的任务中,一个难点是难以获取到成对的增强前后的训练图像。在该项目中,优图使用了MIT-Adobe 5K数据集,该数据集包含了5000组原始图片和专业美工调节后的图像。

此外,为了适应光照程度更加复杂的场景,优图自行采集数千组高清暗光照片作为训练数据。由此构建出的数据集,使得本算法在复杂光照下,也能得到稳定结果。

对于上边描述的深度神经网络结构,优图利用对应的暗光和清晰图片进行网络的训练。因为卷积网络不限制输入图片的大小,研究人员随机从图片中截取256x256尺寸大小的图片块进行网络训练来更好地利用GPU显存。训练好的模型可以利用在任何尺寸的图片上。

除了对于欠曝光图像增强外,优图对于一些市面上常见的手机(华为P20, 小米MiX3, iPhoneX, 三星S9+)拍摄的结果,利用新算法也进行了进一步的美化,效果图如下:

论文传送门

Underexposed Photo Enhancement using Deep Illumination Estimation

《基于深度学习优化光照的暗光下的图像增强》

http://jiaya.me/papers/photoenhance_cvpr19.pdf

One more thing

不过,近日腾讯优图最受热议的还有一桩AI公益的案例。

央视栏目《等着我》报道称,优图突破“跨年龄人脸识别”,帮助警方寻回了被拐十年儿童。

优图方面介绍,这是优图创新性技术在公益领域的成果。

依托腾讯海量数据,腾讯优图首创了跨年龄人脸识别技术,重点解决寻人场景中婴幼儿被拐的情况。

为了充分的从数据中学习人脸自然的跨年龄变化规律,腾讯优图提出了基于DDL(分布式蒸馏学习法则)学习策略的正则化迁移学习策略。

基于该策略,算法模型可充分进行跨年龄人脸识别学习,从而让困难的跨年龄识别更加可靠和精准。

腾讯方面称,这是对“科技向善”的最好实践。

— 完 —

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/25593.html

分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。