HipyrNet：面向混合曝光图像校正的基于超网络的拉普拉斯金字塔特征金字塔网络
计算机视觉与模式识别
2025-01-10 v1
摘要
近期在图像翻译领域用于提升混合曝光图像的研究进展展现出了深度学习算法的变革性潜力。然而，由于区域之间固有的复杂性和对比度不一致，针对图像中极端曝光变化仍然是一大挑战。现有方法往往难以有效适应这些变化，导致性能不佳。本文提出HipyrNet，一种新颖方法，将超网络集成到基于拉普拉斯金字塔的框架中，以解决混合曝光图像增强的挑战。该方法采纳的超网络允许模型适应这些曝光变化。超网络会动态生成另一个网络的权重，使其在部署期间能够动态变化。在我们的模型中，所采用的超网络用于预测特征金字塔分解的 optimal kernels，这使得针对每个输入图像实现定制化和自适应分解过程成为可能。我们的增强型翻译网络融合了多尺度分解与重构，利用动态 kernel 预测捕获和操作跨不同尺度的特征。大量实验表明，HipyrNet 在处理极端曝光变化场景时优于现有方法，在定性和定量评估方面均取得优异成果。我们的做法为混合曝光图像增强树立了新基准，为自适应图像翻译的未来研究指明了方向。
引用
@article{arxiv.2501.05195,
title = {HipyrNet: Hypernet-Guided Feature Pyramid network for mixed-exposure correction},
author = {Shaurya Singh Rathore and Aravind Shenoy and Krish Didwania and Aditya Kasliwal and Ujjwal Verma},
journal= {arXiv preprint arXiv:2501.05195},
year = {2025}
}