使用预测一致性与渐进细化估计相机响应函数及其在深度学习中的扩展
计算机视觉与模式识别
2021-02-24 v2
摘要
现有的大多数从单张图像估计相机响应函数（CRF）的方法无法处理一般的真实图像。例如，基于从边缘提取的色块的 EdgeCRF 仅在噪声影响不显著时才有效，而这对许多真实图像而言并不成立；此外，CRFNet 是一种最近基于全监督深度学习的方法，它仅适用于训练数据中的 CRF，因此无法处理训练数据之外的其他可能 CRF。为了解决这些问题，我们引入了一种使用预测一致性和渐进细化的非深度学习方法。首先，我们更多地依赖输入图像中提供更一致预测的色块。如果来自某个色块的预测更加一致，这意味着该色块可能较少受到噪声或任何不良颜色组合的影响，因此它对 CRF 估计更为可靠。其次，我们采用了一种渐进细化方案，从简单的 CRF 模型开始生成对噪声更鲁棒但精度较低的结果，然后我们逐渐增加模型的复杂性以改善结果。这是因为简单模型虽然精度较低，但比复杂模型更不易过拟合噪声。我们的实验表明，对于白天和夜晚的真实图像，我们的方法优于现有的单图像方法。我们进一步提出了一种更高效的深度学习扩展，该扩展在测试输入图像上执行测试时训练（基于无监督损失）。这使我们的方法比 CRFNet 具有更好的泛化性能，使其在一般真实图像的 CRF 估计中更具实用价值。
引用
@article{arxiv.2010.04009,
title = {Estimation of Camera Response Function using Prediction Consistency and Gradual Refinement with an Extension to Deep Learning},
author = {Aashish Sharma and Robby T. Tan and Loong-Fah Cheong},
journal= {arXiv preprint arXiv:2010.04009},
year = {2021}
}
备注
11 Pages, 12 Figures