EnlightenGAN

Enlightengan: Tiefe Lichtverstärkung ohne gepaarte Überwachung

Yifan Jiang, Xinyu Gong, Ding Liu, Yu Cheng, Chen Fang, Xiaohui Shen, Jianchao Yang, Pan Zhou, Zhangyang Wang

[Papier] [ergänzende Materialien]

Ergebnisse darstellen

Überzeugungsarchitektur

Umgebung Vorbereitung

 python3.5

Sie sollten mindestens 3 1080Ti -GPUs vorbereiten oder die Chargengröße ändern.

pip install -r requirement.txt
mkdir model
Laden Sie das vorgeläte Modell von VGG von [Google Drive 1] herunter und geben Sie es dann in das model ein.

Schulungsprozess

Bevor Sie mit dem Schulungsprozess beginnen, sollten Sie das visdom.server zum Visualisierung starten.

nohup python -m visdom.server -port=8097

Führen Sie dann den folgenden Befehl aus

python scripts/script.py --train

Testprozess

Laden Sie ein vorgezogenes Modell herunter und geben Sie es in ./checkpoints/enlightening ein

Verzeichnisse erstellen ../test_dataset/testA und ../test_dataset/testB . Setzen Sie Ihre Testbilder auf ../test_dataset/testA (und Sie sollten das Bild in ../test_dataset/testB beibehalten, um sicherzustellen, dass das Programm starten kann.)

Laufen

python scripts/script.py --predict

Datensatzvorbereitung

Trainingsdaten [Google Drive] (ungepaarte Bilder, die aus mehreren Datensätzen gesammelt wurden)

Testen von Daten [Google Drive] (einschließlich Kalk, MEF, NPE, VV, DICP)

Und [Baiduyun] ist jetzt dank @yhlelaine erhältlich!

Schneller Schlussfolgerung

https://github.com/arsenyinfo/enligherngan-inference von @arsenyinfo

Wenn Sie diese Arbeit für Sie nützlich finden, zitieren Sie bitte

 @article{jiang2021enlightengan,
  title={Enlightengan: Deep light enhancement without paired supervision},
  author={Jiang, Yifan and Gong, Xinyu and Liu, Ding and Cheng, Yu and Fang, Chen and Shen, Xiaohui and Yang, Jianchao and Zhou, Pan and Wang, Zhangyang},
  journal={IEEE Transactions on Image Processing},
  volume={30},
  pages={2340--2349},
  year={2021},
  publisher={IEEE}
}