前言

這篇博客主要介紹之前看過的一些圖像增強的論文，針對普通的圖像，比如手機拍攝的那種，比低光照圖像增強任務更簡單。

圖像增強的定義非常廣泛，一般來說，圖像增強是有目的地強調圖像的整體或局部特性，例如改善圖像的顏色、亮度和對比度等，將原來不清晰的圖像變得清晰或強調某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，提高圖像的視覺效果。傳統的圖像增強已經被研究了很長時間，現有的方法可大致分為三類，空域方法是直接對像素值進行處理，如直方圖均衡，伽馬變換；頻域方法是在某種變換域內操作，如小波變換；混合域方法是結合空域和頻域的一些方法。傳統的方法一般比較簡單且速度比較快，但是沒有考慮到圖像中的上下文信息等，所以取得效果不是很好。

近年來，卷積神經網絡在很多低層次的計算機視覺任務中取得了巨大突破，包括圖像超分辨、去模糊、去霧、去噪、圖像增強等。對比于傳統方法，基于CNN的一些方法極大地改善了圖像增強的質量。現有的方法大多是有監督的學習，對于一張原始圖像和一張目標圖像，學習它們之間的映射關系，來得到增強后的圖像。但是這樣的數據集比較少，很多都是人為調整的，因此需要自監督或弱監督的方法來解決這一問題。本文介紹了近年來比較經典的圖像增強模型，并分析其優缺點。

DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks

這是ICCV2017年的一篇文章，Ignatov等人自己構建了一個大的數據集（DPED），包含6K多張照片，使用三部手機和一部單反在多種戶外條件下同時拍攝得到。然后作

總結

以上是生活随笔為你收集整理的人工智能AI实战100讲（四）-基于深度学习的图像增强综述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。