IAT模型由两个独立的分支组成，局部分支用于像素调整，并输出两个用于加法和乘法的特征图。全局分支用于全局调整并输出颜色矩阵和gamma值，全局分支受DETR启发，网络通过动态查询学习的方式更新颜色矩阵和gamma值。整个模型只有超过90 k+参数，在LOL数据集上的推理速度仅为0.004s/图像（单个Nvidia-3090 GPU）。(文章中给出的测试速度)
目录
- 一、源码包准备
- 二、环境准备
- 三、测试集准备
- 四、 推理测试+指标分析
- 4.1 LOL-V1
- 4.1.1 脚本及模型
- 4.1.2 参数修改
- 4.1.3 测试结果
- 4.2 LOL-V2
- 4.2.1 脚本及模型
- 4.2.2 参数修改
- 4.2.3 测试结果
- 五、 仅推理测试
- 六、推理速度
- 6.1 GPU
- 6.2 CPU
- 七、效果展示
- 八、总结
一、源码包准备
官网地址为：IAT官网
论文地址：论文
中文解读地址为：中文解读
我在官网源码基础修改了一些代码，并新增了两个脚本，本教程是基于我提供源码包进行讲解，获取方法文章末扫码到公众号「视觉研坊」中回复关键字：暗光增强IAT。获取下载链接。我提供源码包中有测试集。
下载解压后的样子如下：
二、环境准备
下面是我自己测试环境，仅供参考，运行系统Ubuntu和Windows都可以，我在Ubuntu系统上测试的。
三、测试集准备
在我的源码包中测试集，官网提供的数据集LOw Light paired dataset下载链接为：添加链接描述
测试集的样子如下，主要测试图像为low文件夹中图像，还有一个high是为了和模型推理后的图像配对做指标分析。
四、 推理测试+指标分析
对于暗光增强，官网提供了两个模型权重文件，分别对应两个测试脚本，下面分别讲解。
4.1 LOL-V1
4.1.1 脚本及模型
在我源码中，测试脚本为evaluation_lol_v1_GPU.py，模型为best_Epoch_lol_v1.pth，如下，此脚本的输入图像可以单通道，也可以是三通道。
4.1.2 参数修改
下面是修改可以读入哪些图像：
4.1.3 测试结果
上面参数后修改好后，直接运行evaluation_lol_v1_GPU.py即可，测试结果会保存到测试集同级目录下的Result文件夹中，，如下：
4.2 LOL-V2
4.2.1 脚本及模型
在我源码中，测试脚本为evaluation_lol_v2.py，模型为best_Epoch_lol.pth，如下，此脚本的输入图像只能是三通道。
4.2.2 参数修改
选择读入哪些图片的修改方法通4.1.2。
4.2.3 测试结果
测试结果会自动保存到上面参数修改指定的路径中。
运行上面脚本会输出评价指标，如下:
五、 仅推理测试
上面的两个测试脚本，都需要准备对应的high样本，如果只是想查看模型推理结果，不想输出评价指标，那么使用evaluation_lol_v1_GPU_Only_predict.py脚本，该脚本使用时只需要准备暗光数据集即可，具体使用见下：
修改好参数后直接运行。
六、推理速度
6.1 GPU
对应脚本为：evaluation_lol_v1_GPU.py
GPU测试环境：Nvidia GeForce RTX 3060，测试图片640*480，推理时间：2.3ms/fps。
6.2 CPU
对应脚本为：evaluation_lol_v1_CPU.py
测试环境：12th Gen Intel® Core™ i7-12700H 2.30 GHz，测试图片120*90，推理速度：230ms/fps。
七、效果展示
下左图为原始暗光图，右侧是IAT模型处理结果图。
八、总结
目前我就测试了上面讲解的模型，IAT网络很强悍，还有检测和分割的功能，其次官网也提供了训练的方法，学者自行参考官网教程学习。
总结不易，多多支持，谢谢！
感谢您阅读到最后！关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！
