[CVPR 2022] Official PyTorch Implementation of "AdaInt: Learning Adaptive Intervals for 3D Lookup Tables on Real-time Image Enhancement" (https://arxiv.org/abs/2204.13983)
看过代码之后,发现个问题:
在3D LUT的代码中,训练得到一组Basis 3D LUTs,在测试时,就对这组Basis 3D LUTs加权组合,得到需要的3D LUT,大大节省了推理时间,因为不需要对没一张图都得到的新的Basis 3D LUTs。
在作者的代码中,不论训练还是测试都会对每一张图计算一个Basis 3D LUTs,这与3D LUT论文是不同的,这显然会提高模型的效果,但也会增大计算开销,请问这是作者故意为之,还是错误的复现?
看过代码之后,发现个问题: 在3D LUT的代码中,训练得到一组Basis 3D LUTs,在测试时,就对这组Basis 3D LUTs加权组合,得到需要的3D LUT,大大节省了推理时间,因为不需要对没一张图都得到的新的Basis 3D LUTs。 在作者的代码中,不论训练还是测试都会对每一张图计算一个Basis 3D LUTs,这与3D LUT论文是不同的,这显然会提高模型的效果,但也会增大计算开销,请问这是作者故意为之,还是错误的复现?