Exposure Normalization and Compensation for Multiple-Exposure Correction 论文阅读笔记

本文主要是介绍Exposure Normalization and Compensation for Multiple-Exposure Correction 论文阅读笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

  • 这是CVPR2022的一篇曝光校正的文章,是中科大的。一作作者按同样的思路(现有方法加一个自己设计的即插即用模块以提高性能的思路)在CVPR2023也发了一篇文章,名字是Learning Sample Relationship for Exposure Correction。

  • 文章的动机是,多曝光图像中,过曝和欠曝的图片的调整方向是相反的,给训练带来了问题(和CVPR2023那篇的动机是一致的)。同时,网络优化过程中不同批次之间可能样本分布差距较大,从而网络对某些样本(类似难样本)进行忽视,拟合大多数样本来达到低的期望损失。为解决第一个问题提出了一个类即插即用的ENC模块,用了插在现有网络的block之间。如下图所示
    在这里插入图片描述

  • 使用instanceNorm来对特征进行归一化,再经过一层卷积层,然后计算和GT归一化后的特征之间的L1损失:
    -在这里插入图片描述
    在这里插入图片描述

  • 为了弥补在归一化过程中损失掉的信息,又加了一个compensation 模块,即图中绿色的部分,通过红色实线箭头从归一化前的特征中提取额外特征进行补偿,其中还用到了空间注意力机制,具体看图。另外,图中的pooling是如下式的global contrast average pooling,如字面上的意思,是个global average pooling,但是加了边缘图的global average pooling结果:
    在这里插入图片描述

  • 同样,compensation模块的输出,也要和GT的compensation模块的输出算L1损失:
    在这里插入图片描述

  • 再然后就是文章第二个点了:fine-tuning with parameter regularization,这个是为了解决第二个问题。文章认为,常规的图像输入主要通过ENC模块来解决,那么fix ENC模块,finetune其它模块,就可以在保持常规图像输入的性能不下降的条件下提高难样本的性能。而finetune其它模块的时候,可以利用现有的一个方法来计算参数的重要性,从而对重要参数的变化进行惩罚,使得重要参数在finetune的过程中不要发生大的变化,使得对常规图像输入的性能不下降而对难样本的性能提升。

  • 参数的重要性可以通过对常规样本的结果对参数的微分来计算,也就是(10)式,从而在finetune的过程中,通过限制在这m个常规样本上的输出的变化,使得对常规样本的性能不下降。有点像增量学习。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    实验结果如下所示,通过添加这一模块,使得SID和DRBN在ME数据集上的性能有所提升:
    在这里插入图片描述

  • 评价:第二部分增量学习的部分感觉是为了凑创新点,和第一点没有什么必要放在同一篇论文中。但作为凑创新点来说又不够创新,本身idea就不是自己的,只是拿来用在多曝光图像的训练上了。第一部分我确实是认可的,我觉得instance norm在多曝光图像处理中确实是重要的一个操作。

这篇关于Exposure Normalization and Compensation for Multiple-Exposure Correction 论文阅读笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/199575

相关文章

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓