BitNet：基于学习的位深扩展
图像与视频处理
2019-10-11 v1 计算机视觉与模式识别
摘要
位深是图像中像素每个颜色通道的位数。尽管许多现代显示器支持前所未有的更高位深，以高动态范围呈现更真实自然的色彩，但大多数媒体源仍为 8 位或更低位深。由于位深不足可能产生恼人的虚假轮廓或丢失细节视觉外观，从低位深（LBD）图像到高位深（HBD）图像的位深扩展（BDE）变得愈发重要。本文采用基于学习的方法进行 BDE，并提出一种新颖的基于 CNN 的位深扩展网络（BitNet），可同时有效去除虚假轮廓并恢复视觉细节。我们基于带空洞卷积的编码器-解码器架构与一种新颖的多尺度特征融合精心设计了 BitNet。我们在 MIT-Adobe FiveK、Kodak、ESPL v2 和 TESTIMAGES 四个不同数据集上进行了多种实验，所提 BitNet 在其他现有 BDE 方法及著名基于 CNN 的图像处理网络中取得了 PSNR 与 SSIM 方面的最优性能。与以往分别处理各颜色通道的方法不同，我们一次性处理所有 RGB 通道并大幅改进了色彩恢复。此外，我们的网络在近实时中展现出最快的计算速度。
引用
@article{arxiv.1910.04397,
title = {BitNet: Learning-Based Bit-Depth Expansion},
author = {Junyoung Byun and Kyujin Shim and Changick Kim},
journal= {arXiv preprint arXiv:1910.04397},
year = {2019}
}
备注
Accepted by ACCV 2018, Authors Byun and Shim contributed equally