“Joint Demosaicking and Denoising by Fine-Tuning of Bursts of Raw Images”
首先是ICCV的一篇论文”Joint Demosaicking and Denoising by Fine-Tuning of Bursts of Raw Images“，这篇论文借鉴了noise2noise的思路，使用自学习的方式去马赛和去噪。最近不怎么想写博客，就简单说一下，该论文的基本思路是通过一个有马赛克图像学习得到另一个有马赛克图像。在这个过程中进行去马赛克。具体而言，就是对于有马赛克图像I1,首先进行去马赛克，通过网络D来实现，然后进行一个仿射变换T，最后加马赛克使得结果和有马赛克图像I2相近。最终实际需要的是那个D网络，整体结构和去马赛克网络如下所示：
训练使用的loss是L1 loss，同时采用finetune策略去提升效果，具体见论文。
“A Pipeline Neural Network for Low-Light Image Enhancement”
IEEE ACCESS的论文，感觉这个水刊上图像增强的论文还是比较硬核的，论文针对MSR的缺陷进行改进，使用wavelet转换进行进一步处理。具体而言是，对wavelet分解之后的图像的低频成分LL使用络MSR进行增强,然后使用MSRCR去解决颜色偏离的问题，并resize到和原来一样大小。整体结构图如下所示:
如上图所示，首先通过一个训练好的去噪网络进行去噪，然后使用DWT进行图像分解，对低频部分进行超分辨，再通过一个自编码器进行增强，自编码器的组成参考MSR方法，不过这里没有加监督信息觉得很奇怪。输入图像还通log转换生成不同曝光度的图像和自编码器输出的图像组合在一起。最后输出。论文理念感觉还可以，实验部分…