EnlightenGAN

Lighttengan: amélioration de la lumière profonde sans supervision jumelée

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

[Document] [Matériaux supplémentaires]

Résultats de la représentation

Architecture suralle

Préparation de l'environnement

 python3.5

Vous devez préparer au moins 3 GPU 1080ti ou modifier la taille du lot.

pip install -r requirement.txt
mkdir model
Téléchargez le modèle VGG prétrait de [Google Drive 1], puis mettez-le dans le model de répertoire.

Processus de formation

Avant de commencer le processus de formation, vous devez lancer le visdom.server pour la visualisation.

nohup python -m visdom.server -port=8097

puis exécutez la commande suivante

python scripts/script.py --train

Processus de test

Téléchargez le modèle pré-entraîné et mettez-le dans ./checkpoints/enlightening

Créer des répertoires ../test_dataset/testA et ../test_dataset/testB . Mettez vos images de test sur ../test_dataset/testA (et vous devriez garder l'image dans ../test_dataset/testB pour vous assurer que le programme peut commencer.)

Courir

python scripts/script.py --predict

Préparation de l'ensemble de données

Données de formation [Google Drive] (images non appariées collectées à partir de plusieurs ensembles de données)

Tester les données [Google Drive] (y compris Lime, MEF, NPE, VV, DICP)

Et [Baiduyun] est disponible maintenant grâce à @yhlelaine!

Inférence plus rapide

https://github.com/arsenyinfo/enlightgan-inference de @arsenyinfo

Si vous trouvez ce travail utile pour vous, veuillez citer

 @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}
}