简介

(1) 论文 （期刊和发表时间）
Fast Image Processing with Fully-Convolutional Networks (ICCV 会议 2017)
(2) 论文链接
https://openaccess.thecvf.com/content_iccv_2017/html/Chen_Fast_Image_Processing_ICCV_2017_paper.html
(3) 源代码链接
https://github.com/CQFIO/FastImageProcessing

主要idea

大部分图像处理模型, 例如 multiscale tone manipulation 和 nonlocal dehazing 等, 在进行运算时计算量较大且运算时间久. 一般的加速图像处理模型的算法会大幅降低原始模型的效果, 比如先对图像降维, 在低分辨率下处理图像, 然后再升维. 本文提出了一种基于全卷积网络的加速图像处理方法, 该方法在全分辨率的图像上运行, 进行端到端的训练, 在提高运行效率的同时以最大限度地提高准确性. 对比其他加速图像处理的方法, 本文的方法取得更好的效果.

实验简介

数据集： 共采用两个数据集
a. MIT-Adobe 5K 数据集：包含 5K 张高分辨率照片, 本文使用默认的 2.5K / 2.5K 训练/测试拆分.
b. RAISE 数据集：包含三年内由四位摄影师拍摄的 8156 张高分辨率 RAW 图像.本文从这 8K 张图片中随机抽取 2.5K 张图像进行训练, 并随机抽取其他 1K 张图像进行测试.

实验设计： 本文将提出的加速算法应用到 10 个不同的图像处理模型上(Rudin-Osher-Fatemi、TV-L1 image restoration、L0 smoothing, relative total variation、image enhancement by multiscale tone manipulation、multiscale detail manipulation based on local Laplacian filtering、photographic style transfer from a reference image、dark-channel dehazing、nonlocal dehazing 和 pencil drawing), 并对比了另外七种加速算法.

实验结果

在 10 个模型中, 我们选择了两个与提高对比度相关的 multiscale tone manipulation 模型和 nonlocal dehazing 模型进行实验验证.
（1）多尺度校准 multiscale tone manipulation
输入1：

输出1：

（2）非局部去雾nonlocal dehazing
输入1：

输出1：