企业官网建设流程全解析

家具定制东莞网站建设,舟山建设管理网站,黄页网品种大全2021,陕西省建设厅网站官网企业月报第一步#xff1a;HEP介绍 基于深度学习的微光图像增强方法通常需要大量的成对训练数据#xff0c;这在现实世界中是不切实际的。最近#xff0c;已经探索了无监督的方法来消除对成对训练数据的依赖。然而#xff0c;由于缺乏先验#xff0c;它们在不同的现实世界场景中表…第一步HEP介绍基于深度学习的微光图像增强方法通常需要大量的成对训练数据这在现实世界中是不切实际的。最近已经探索了无监督的方法来消除对成对训练数据的依赖。然而由于缺乏先验它们在不同的现实世界场景中表现不稳定。为了解决这个问题文章提出了一种基于有效先验的无监督微光图像增强方法称为直方图均衡先验HEP。文章的工作是受到了一个有趣的观察结果的启发即直方图均衡增强图像的特征图和地面实况是相似的。具体而言文章制定HEP以提供丰富的纹理和亮度信息。它嵌入到发光模块LUM中有助于将低光图像分解为照度图和反射率图反射率图可以被视为恢复的图像。然而基于Retinex理论的推导表明反射率图受到了噪声的污染。文章引入了一种噪声去纠缠模块NDM在未配对干净图像的可靠帮助下去纠缠反射图中的噪声和内容。在直方图均衡先验和噪声解纠缠的指导下我们的方法可以恢复更精细的细节并且能够在现实世界的低光场景中抑制噪声。大量的实验表明我们的方法与最先进的无监督微光增强算法相比表现良好甚至与最新的有监督算法相匹配。第二步HEP网络结构算法整体流程如下图结合提亮和降噪。第三步模型代码展示from abc import ABC from thop import profile from torch import nn import torch import argparse from utils import get_config from models.NDM_model import Conv2dBlock try: from itertools import izip as zip except ImportError: pass parser argparse.ArgumentParser() parser.add_argument(--denoise_config, typestr, default./configs/unit_NDM.yaml, helpdenoise net configuration) parser.add_argument(--light_config, typestr, defaultconfigs/unit_LUM.yaml, helpPath to the config file.) parser.add_argument(--input_folder, typestr, default./test_images, helpinput image path) parser.add_argument(--output_folder, typestr, default./NDM_results, helpoutput image path) parser.add_argument(--denoise_checkpoint, typestr, default./checkpoints/NDM_LOL.pt, helpcheckpoint of denoise) parser.add_argument(--light_checkpoint, typestr, default./checkpoints/LUM_LOL.pth, helpcheckpoint of light) opts parser.parse_args() class DecomNet(nn.Module, ABC): def __init__(self, params): super(DecomNet, self).__init__() self.norm params[norm] self.activ params[activ] self.pad_type params[pad_type] # self.conv0 Conv2dBlock(4, 32, 3, 1, 1, normself.norm, activationself.activ, pad_typeself.pad_type) self.conv1 Conv2dBlock(4, 64, 9, 1, 4, normself.norm, activationnone, pad_typeself.pad_type) self.conv2 Conv2dBlock(64, 64, 3, 1, 1, normself.norm, activationself.activ, pad_typeself.pad_type) self.conv3 Conv2dBlock(64, 128, 3, 2, 1, normself.norm, activationself.activ, pad_typeself.pad_type) self.conv4 Conv2dBlock(128, 128, 3, 1, 1, normself.norm, activationself.activ, pad_typeself.pad_type) self.conv5 nn.ConvTranspose2d(128, 64, 3, 2, 1, 1) self.activation nn.ReLU(inplaceTrue) self.conv6 Conv2dBlock(128, 64, 3, 1, 1, normself.norm, activationself.activ, pad_typeself.pad_type) self.conv7 Conv2dBlock(96, 64, 3, 1, 1, normself.norm, activationnone, pad_typeself.pad_type) self.conv8 Conv2dBlock(64, 4, 3, 1, 1, normself.norm, activationnone, pad_typeself.pad_type) def forward(self, input_im): input_max torch.max(input_im, dim1, keepdimTrue)[0] image torch.cat((input_max, input_im), dim1) # Refelectance x0 self.conv0(image) # print(x0:, x0.shape) x1 self.conv1(image) # print(x1:, x1.shape) x2 self.conv2(x1) # print(x2:, x2.shape) x3 self.conv3(x2) # print(x3:, x3.shape) x4 self.conv4(x3) # print(x4:, x4.shape) x5 self.conv5(x4) x5 self.activation(x5) # print(x5:, x5.shape) cat5 torch.cat((x5, x2), dim1) x6 self.conv6(cat5) # print(x6:, x6.shape) cat6 torch.cat((x6, x0), dim1) x7 self.conv7(cat6) # print(x7:, x7.shape) x8 self.conv8(x7) # print(x8:, x8.shape) # Outputs R torch.sigmoid(x8[:, 0:3, :, :]) L torch.sigmoid(x8[:, 3:4, :, :]) return R, L if __name__ __main__: light_config get_config(opts.light_config) model DecomNet(light_config) input torch.randn(1, 3, 256, 256) flops, params profile(model, inputs(input, )) print(flops:{}.format(flops)) print(params:{}.format(params))第四步运行第五步整个工程的内容项目完整文件下载请见演示与介绍视频的简介处给出➷➷➷https://www.bilibili.com/video/BV1CUB2YgEPo/