【每周CV论文】初学深度学习图像对比度增强应该要读的文章

欢迎来到《每周CV论文》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

图像对比度增强，即增强图像中的有用信息，抑制无用信息，从而改善图像的视觉效果，今天给大家推荐初学该领域必须要读的文章。

作者&编辑 | 言有三

1 Fast image processing with FCN

卷积神经网络模型拥有强大的表达能力，被证明可以直接学会图像里的很多全局和局部的操作，包括图像风格迁移、去雾、上色、增加细节等，因此我们可以按照需要学习的类型，准备好相关的成对数据进行学习，而编解码模型就可以直接使用。

文章引用量：80+

推荐指数：✦✦✦✦✧

[1] Chen Q, Xu J, Koltun V. Fast image processing with fully-convolutionalnetworks[C]//Proceedings of the IEEE International Conference on ComputerVision. 2017: 2497-2506.

2 Perceptual image enhancement

对比度、色调调整等图像增强操作的最终目标是为了提高目标图像的美感，因此我们可以使用美学模型来辅助完成该任务。

文章引用量：10+

推荐指数：✦✦✦✦✧

[2] Talebi H, Milanfar P. Learned perceptual image enhancement[C]//2018 IEEEInternational Conference on Computational Photography (ICCP). IEEE, 2018: 1-13.

3 Deep Retinex

Retinex理论是一个经典的图像增强理论，它将图像建模为反射率(reflectance)和光照(illumination或者 light)的点乘，深度学习模型也可以对其进行学习。

文章引用量：20+

推荐指数：✦✦✦✧✧

[3] Wei C, Wang W, Yang W, et al. Deep Retinex Decomposition for Low-Light Enhancement.[C]. british machine vision conference, 2018.

4 DSLR GAN

生成对抗网络在很多经典图像任务中都被证明有利于提高模型的能力，自然也有研究者使用了生成对抗网络来改善图像增强模型的学习。

文章引用量：100+

推荐指数：✦✦✦✦✦

[4] Ignatov A, Kobyshev N, Timofte R, et al. DSLR-quality photos on mobiledevices with deep convolutional networks[C]//Proceedings of the IEEEInternational Conference on DSLR-quality photos on mobile Computer Vision.2017: 3277-3285.

5 Exposure

一个标准的图像增强流程其实包含了一系列的操作，如果能够预测出各个步骤的参数，就可以完成图像增强。

文章引用量：100+

推荐指数：✦✦✦✦✦

[5] Gharbi M, Chen J, Barron J T, et al. Deep bilateral learning for real-timeimage enhancement[J]. ACM Transactions on Graphics (TOG), 2017, 36(4): 118.

[6] Hu Y, He H, Xu C, et al. Exposure: A white-box photo post-processing framework[J]. ACM Transactions on Graphics (TOG), 2018, 37(2): 26.

6 应用

图像对比度增强中一个很大的应用领域就是夜景图像增强，为了降低噪声的影响，常会基于RAW格式进行处理。

文章引用量：100+

推荐指数：✦✦✦✦✦

[7] Chen C, Chen Q, Xu J, et al. Learning to see in the dark[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 3291- 3300.

7 文章解读

关于图像增强相关文章的详细解读，在有三AI知识星球-网络结构1000变-图像增强以及GAN下有较多的文章，感兴趣可以移步。

总结

本次我们介绍了初学图像增强领域值得读的文章，当前研究重点在于无监督模型，多种退化类型，幅度可控的图像增强等方向，读者可以继续关注。