LightFuse：基于轻量CNN的双曝光融合
计算机视觉与模式识别
2022-09-26 v5 图像与视频处理
摘要
深度卷积神经网络（DCNNs）近来助力高动态范围（HDR）成像并受到大量关注。DCNN生成的HDR图像质量已超越传统方法。然而，DCNNs往往计算密集且高功耗，因而无法部署在功耗与硬件资源受限的各类嵌入式计算平台上。嵌入式系统拥有巨大市场，将DCNNs的强大功能引入其中将进一步减少人工干预。为应对该挑战，我们提出LightFuse，一种基于轻量CNN的极端双曝光图像融合算法，其实现了优于常规DCNN的功能并可部署于嵌入式系统。我们采用了两个子网络：GlobalNet（G）与DetailNet（D）。G的目标是在空间维度上学习全局光照信息，而D旨在通道维度上增强局部细节。G与D均仅基于深度可分离卷积（D_Conv）与逐点卷积（P_Conv）以减少所需参数量与计算量。实验结果表明，该提出的技术能在极端曝光区域生成具足够可辨细节的HDR图像。我们的模型在峰值信噪比（PSNR）分数上以0.9至8.7优于其他最先进方法，同时实现了16.7至306.2倍的参数量缩减。
引用
@article{arxiv.2107.02299,
title = {LightFuse: Lightweight CNN based Dual-exposure Fusion},
author = {Ziyi Liu and Jie Yang and Svetlana Yanushkevich and Orly Yadid-Pecht},
journal= {arXiv preprint arXiv:2107.02299},
year = {2022}
}