ShenZheng2000 / Semantic-Guided-Low-Light-Image-Enhancement

This is the official Pytorch implementation for our paper "Semantic-Guided Zero-Shot Learning for Low-Light Image/Video Enhancement."
MIT License
103 stars 15 forks source link

非配对增强 #5

Closed Maozhiquan closed 3 months ago

Maozhiquan commented 3 months ago

感谢作者伟大的工作! 我想请问关于非配对训练亮度增强的问题,因为我在使用自己模型的时候发现亮度提升非常不明显,基本只提升了一点点,作者您这篇工作亮度提升为什么如此大主要是由于Brightness Loss 吗?我不确定这个是否可以用于我的非配对模型来提升增强亮度,如果作者可以回我我真的万分感激,祝作者事业生活顺利!

ShenZheng2000 commented 3 months ago

你好!感谢你对我工作的兴趣!

这项工作在亮度提升方面表现出色,我认为有两个主要原因: (1)Brightness Loss: 由于设计中使用了0.6 out of 0-1 scale,这帮助整体亮度达到一个更理想的效果。 (2)增强因子(Enhancement Factor): 它使局部亮度能够自适应地调整。具体来说,暗部区域会被增强得更多(减少欠曝),而亮部区域则被增强得较少或保持不变(抑制过曝),从而提供更舒适的视觉体验。

关于是否可以用于非配对模型: (1) Brightness Loss: 比较简单,你可以直接尝试应用,看看效果如何。 (2) Enhancement Factor: 复杂一些,因为它依赖多方面的 zero-shot loss(参见论文 Section 3.4),所以不一定适用非配对模型。但是,你可以参考 Section 3.2 的公式 (1),将 Enhancement Factor 嵌入到 Encoder 前的某个步骤,以帮助优化局部亮度。

Maozhiquan commented 3 months ago

你好!感谢你对我工作的兴趣!

这项工作在亮度提升方面表现出色,我认为有两个主要原因: (1)Brightness Loss: 由于设计中使用了0.6 out of 0-1 scale,这帮助整体亮度达到一个更理想的效果。 (2)增强因子(Enhancement Factor): 它使局部亮度能够自适应地调整。具体来说,暗部区域会被增强得更多(减少欠曝),而亮部区域则被增强得较少或保持不变(抑制过曝),从而提供更舒适的视觉体验。

关于是否可以用于非配对模型: (1) Brightness Loss: 比较简单,你可以直接尝试应用,看看效果如何。 (2) Enhancement Factor: 复杂一些,因为它依赖多方面的 zero-shot loss(参见论文 Section 3.4),所以不一定适用非配对模型。但是,你可以参考 Section 3.2 的公式 (1),将 Enhancement Factor 嵌入到 Encoder 前的某个步骤,以帮助优化局部亮度。

太谢谢您了!!!我马上在我的模型里面试试您说的第二个增强因子,永远感恩,祝您生活事业顺利,祉猷并茂!!!