论文来源:
DualCNN
概述:总的来说就是将structure和details分开训练,在最后整合。
主要的特点:在于由S,D,以及S和D相加重构除的最终结果与实际标签之间的loss,总的来说就是在loss函数上做出了一些创新。
Deep SR-ITM
概述:联合super-resolution(SR)和inverse tone-mapping(ITM),恢复高频细节for SR, 恢复局部对比度for ITM。
Hard:
1、LR图像因为分辨率降低高频细节会丢失;
2、在SDR图像中,与HDR图像相比,对比度和局部细节的局部变化会随着信号范围(幅值)的减小而丢失。
主要目标是恢复细节和对比度,增加空间分辨率和信号幅值。
颜色色域必须从BT.709扩展到BT.2020,每位深度从8 bits/pixel增加至10 bits/pixel。这里似乎是存在的,因为在之前的重建图像中,重建图像亮度是与GT相比是暗一些。
渲染处理管道的比较。SDR到HDR视频格式之间的(a)线性域,(b)像素域预测方法
DSGAN
DSGAN在小规模按比例缩小的图像中引入自然图像特征。可以在HR图像上以无监督的方式对其进行训练,从而生成具有与原始图像相同特征的LR图像。提高了其在现实世界图像上的性能。此外,将低图像频率和高图像频率分开,并在训练期间对其进行不同的处理。由于低频通过下采样操作得以保留,仅对抗训练即可修改高频。
可视化的结构下采样设置。B为双三次降阶方法,紫色区域为高、低通滤波器。红色三角形表示损失函数,橙色区域表示神经网络。
引入自然图像特征,将低频和高频分开低频通过下采样操作得以保留。
重点:Loss
颜色损失:迫使网络保持的原始图像低频和一个敌对损失,使产生的高频看起来更像源图像。
感知损失:将输出推向看起来类似于输入图像解决办法。
另一方面,诸如色彩之类的低图像频率被保留到一定程度,这取决于缩小因子。通过将对抗损失限制为高频,我们大大降低了任务的复杂性。这有助于鉴别器将注意力集中在相关的图像特征上,而使其他特征保持不变。
我们将多个损失函数合并到训练模型中。生成器损失包括三种不同的损失:颜色损失I_(col,d),感知损失I_(per,d)和纹理损失I_(tex,d),这是一种对抗性损失。
色彩损失集中在图像的低频上。由于我们不想改变x_b的低频率,我们对这些频率施加L_1损失以使它们接近输入。