混合监督双搜索：利用自动学习实现无损失多曝光图像融合
计算机视觉与模式识别
2023-09-06 v1
摘要
多曝光图像融合(MEF)已成为解决数字成像在表征不同曝光水平方面局限性的重要方案。尽管取得进展，该领域仍面临挑战，尤其是依赖人工设计网络结构与损失函数，以及使用模拟参考图像作为真值的约束。因此，现有方法常出现色彩失真与曝光伪影，进一步增加了获取真实图像表示的难度。为应对这些挑战，本文提出一种用于 MEF 的混合监督双搜索方法，称为 HSDS-MEF，其引入双层优化搜索机制以自动设计网络结构与损失函数。更具体地，我们基于一种新颖的加权结构细化架构搜索，利用独特的双搜索机制。此外，混合监督对比约束无缝引导并融入搜索过程，促进对最优损失函数更具自适应性与全面性的搜索。与多种竞争方案相比，我们实现了最先进的性能，在通用与无参考场景下视觉信息保真度(VIF)分别提升 10.61% 与 4.38%，同时提供高对比度、丰富细节与色彩的结果。
引用
@article{arxiv.2309.01113,
title = {Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for Loss-free Multi-Exposure Image Fusion},
author = {Guanyao Wu and Hongming Fu and Jinyuan Liu and Long Ma and Xin Fan and Risheng Liu},
journal= {arXiv preprint arXiv:2309.01113},
year = {2023}
}