contrast专题
[MOCO] Momentum Contrast for Unsupervised Visual Representation Learning
1、目的 无监督表示学习在自然图像领域已经很成功，因为语言任务有离散的信号空间（words, sub-word units等），便于构建tokenized字典 现有的无监督视觉表示学习方法可以看作是构建动态字典，字典的“keys”则是从数据（images or patches）中采样得到的，并用编码网络来代表 构建的字典需要满足large和co
论文解读：(MoCo)Momentum Contrast for Unsupervised Visual Representation Learning
文章汇总 参数的更新，指encoder q的参数，为encoder k，sampling，monentum encoder 的参数。 值得注意的是对于(b)、(c)这里反向传播只更新，的更新只依赖于。 对比学习如同查字典 考虑一个编码查询和一组编码样本是字典的键。假设字典中只有一个键(记为)与匹配。对比损失[29]是指当与它的正键相似，且与其他所有键不相似时(认
A New Image Contrast Enhancement Algorithmusing Exposure Fusion Framework
Abstract 弱光图像由于能见度低，不利于人类观察和计算机视觉算法。为了解决这一问题，人们提出了许多图像增强技术，但现有的方法不可避免地会出现对比度增强不足和过度增强的问题。在本文中，我们提出了一种图像对比度增强算法来提供准确的对比度增强。具体来说，我们首先利用光照估计技术设计了用于图像融合的权重矩阵。然后介绍了我们的相机响应模型来合成多曝光图像。其次，我们找到最佳曝光比，使合成图像在原始图
RLCM算法论文阅读笔记：Infrared small target detection utilizing the multiscale relative local contrast .....
J. Han, K. Liang, B. Zhou, X. Zhu, J. Zhao, and L. Zhao, “Infrared small target detection utilizing the multiscale relative local contrast measure,” IEEE Geosci. Remote Sens. Lett., vol. 15, no. 4, p
文字背景对比度contrast ratio的计算公式
对比度标准 MD规范里说：文本应该保持至少 4.5:1 （基于亮度值计算）的对比度以保持文本清晰；最佳对比度为 7:1。 对比度的计算规则我们可以简单的理解为两个颜色的相对亮度相除得到的值，比如：两个白色的对比度是 1:1 , 白色（#FFFFFF）与黑色（#000000）的对比度为 21:1，也就是说对比度的范围在 1:1 与 21:1 之间。 “ 为什么基于亮度计算？ W3C (万维网联
【论文阅读笔记】Contrast image correction method
论文小结： 本文是2010年发表出来的一篇文章，提出的方法是一种增强对比度的方法，其基本原理是自适应参数的 ganma 校正。ganma 校正的目标在于同时校正曝光过度和曝光不足区域的图像。 同时，为了防止光晕伪影，使用双边滤波用于指数校正的掩码。 ganma 校正一半的公式如下，本文就是基于此进行的改进。 P i x e l o u t = 255 ∗ ( P i x e l i
推荐一个vscode看着比较舒服的主题：Dark High Contrast
主题名称：Dark High Contrast （意思就是，黑色的，高反差的） 步骤：设置→Themes→Color Theme→Dark High Contrast 效果如下： 感觉这个颜色的看起来比较舒服。
PS 图像调整算法——自动对比度 （Auto Contrast）
PS 给出的定义： Enhance Monochromatic Contrast： Clips all channels identically. This preserves the overall color relationship while making highlights appear lighter and shadows appear darker. The Auto Cont
Image Synthesis in Multi-Contrast MRI With Conditional Generative Adversarial Networks—论文解读
Image Synthesis in Multi-Contrast MRI With Conditional Generative Adversarial Networks 文章概述及亮点摘要介绍方法数据集数据归一化与图像配准网络训练用于比较的模型实验基于GAN的模型比较和SOAT合成方法比较光谱密度分析泛化性抗噪性代码 文章概述及亮点 作者的应用场景单模态的不同对比图像间的
图像对比度增强之A New Image Contrast Enhancement Algorithm Using Exposure Fusion Framework——论文阅读和个人理解
项目主页：CAIP2017 (baidut.github.io) 项目代码：AndyHuang1995/Image-Contrast-Enhancement: Python implementation of "A New Image Contrast Enhancement Algorithm Using Exposure Fusion Framework", CAIP2017 (github
Contrast Enhancement of Brightness-Distorted Images by Improved Adaptive Gamma Correction
Abstract 作为一种有效的图像对比度增强(CE)工具，自适应伽马校正(AGC)曾被提出，方法是将伽马参数与图像内像素灰度水平的累积分布函数(CDF)联系起来。ACG可以很好地处理大多数暗图像，但不能处理全局明亮图像和具有局部明亮区域的暗图像。这两类亮度扭曲的图像在现实场景中是普遍存在的，如曝光不当和白色物体区域。为了减少这些缺陷，我们提出了一种改进的AGC算法。采用新的负图像策略来实现明亮
Token Contrast（ToCo）
这里所提出的方法名为Token Contrast（ToCo），该方法用于提高使用图像级标签的弱监督语义分割的性能。ToCo 解决了ViT的over-smoothing问题，并进一步探索了它在 WSSS 中的潜力。 打破CAM的局限性！ToCo：进一步激发 ViT 在弱监督语义分割的潜力 原文链接：https://arxiv.org/abs/2303.01267 代码链接：https://gi
何謂對比度(Contrast)
http://zip.nvp.com.tw/forum.php?mod=viewthread&tid=248&extra=page%3D7 對比度(Contrast)：指的是影像明暗區域中最亮的白和最暗的黑之間不同亮度層級的測量，當差異範圍越大代表對比度越大，差異範圍越小代表對比度越小。
论文笔记：Hierarchical Contrast for Unsupervised Skeleton-based Action Representation Learning
1 Intro 3D骨架识别问题 早期以完全监督的方式训练网络 ——>需要大量人工标注的骨架数据，花费昂贵，且很是费时无监督的3D骨架表示学习在近年来被不断研究 早期的无监督工作主要聚焦于生成式方法 将3D骨架动作编码后，在不同的代理任务（比如骨架重构、骨架着色）的指导下解码，以达到学习特征表示的方法但这类方法效果有限性能更好、机制更简单的对比学习成为了近些年的主流 通常将3D骨架动作表示为实例