开公司怎么注册,遂宁网站优化,泉州钟南山最新消息,装潢设计专业主要学什么目录 一、Zero-DCE方法1.1 网络优点1.2 网络适用场景1.3 网络不适用场景 二、源码包三、测试四、测试结果五、推理速度六、总结 一、Zero-DCE方法
Zero-DCE#xff08;Zero-Reference Deep Curve Estimation#xff09;是一种用于低光照增强的网络。
1.1 网络优点
无需参考… 目录 一、Zero-DCE方法1.1 网络优点1.2 网络适用场景1.3 网络不适用场景 二、源码包三、测试四、测试结果五、推理速度六、总结 一、Zero-DCE方法
Zero-DCEZero-Reference Deep Curve Estimation是一种用于低光照增强的网络。
1.1 网络优点
无需参考数据Zero-DCE 不需要任何配对或非配对的数据进行训练这避免了过拟合的风险。
轻量级网络Zero-DCE 使用了一个轻量级的网络DCE-Net来预测一个像素级的高阶的曲线。
实时运行Zero-DCE 的推理速度极快甚至可以在手机上实时运行。
优秀的增强效果Zero-DCE 的提亮效果优于其他方法训练速度和推理速度更是冠绝一方。
1.2 网络适用场景
低光照图像增强Zero-DCE 是为低光照图像增强设计的因此它在这个场景下表现得非常好。
实时图像处理由于 Zero-DCE 的推理速度非常快它可以用于需要实时图像处理的应用如手机摄像头、实时视频流等。
数据少的情况由于 Zero-DCE 不需要任何配对或非配对的数据进行训练所以它适合于数据少的情况。
1.3 网络不适用场景
高光照图像增强Zero-DCE 主要是为低光照图像增强设计的因此它可能不适合高光照图像增强的场景。
需要精确色彩再现的应用虽然 Zero-DCE 能够提高图像的亮度但它可能会改变图像的色彩。因此对于需要精确色彩再现的应用如医学图像处理、艺术作品修复等Zero-DCE 可能不是最佳选择。
二、源码包
这里给出官网地址和我自己的源码包我在官网基础上没修改多少代码。
官网下载Zero-DCE
我提供的源码包添加链接描述提取码ttzn
论文地址论文
下载解压后的样子如下 官网提供的模型权重在snapshots路径下 三、测试
在运行脚本前要先在测试集文件夹同级目录下的result文件夹中创建和测试集文件夹名一样的空文件夹用与存放测试结果。如下 然后在test_data文件夹中的各个文件夹中放入自己低分辨率的图片即可运行脚本如下 测试脚本我分了两个一个是GPU推理一个是CPU推理如下都加有推理测试时间的代码
四、测试结果
测试结果自动保存到data\resul文件夹下。
下面是部分测试场景左图为暗光图右图为Zero-DCE模型增强后的结果 五、推理速度
我自己电脑处理器为12th Gen Intel® Core™ i7-12700H 2.30 GHz显卡为Nvidia GeForce RTX 3050。
测试图像的分辨率640*480左右。
GPU平均推理速度为2ms/fps。 CPU平均推理速度为2980ms/fps。 六、总结
以上就是Zero-DCE网络推理测试的过程注意该网络的适用情况。后续还会出其它暗光增强算法从多角度对比不同算法处理的结果。
总结不易多多支持谢谢
