EnlightenGAN

Ilumingan: aprimoramento profundo da luz sem supervisão emparelhada

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

[Papel] [Materiais Suplementares]

Resultados representativos

Arquitetura excessiva

Ambiente de preparação

 python3.5

Você deve preparar pelo menos 3 GPUs 1080TI ou alterar o tamanho do lote.

pip install -r requirement.txt
mkdir model
Faça o download do modelo VGG pré -terenciado do [Google Drive 1] e coloque -o no model de diretório.

Processo de treinamento

Antes de iniciar o processo de treinamento, você deve iniciar o visdom.server para visualizar.

nohup python -m visdom.server -port=8097

Em seguida, execute o seguinte comando

python scripts/script.py --train

Processo de teste

Baixe o modelo pré -terenciado e coloque -o em ./checkpoints/enlightening

Criar diretórios ../test_dataset/testA e ../test_dataset/testB . Coloque suas imagens de teste em ../test_dataset/testA (e você deve manter qualquer imagem em ../test_dataset/testB para garantir que o programa possa iniciar.)

Correr

python scripts/script.py --predict

Preparação do conjunto de dados

Dados de treinamento [Google Drive] (imagens não pareadas coletadas de vários conjuntos de dados)

Dados de teste [Google Drive] (incluindo Lime, MEF, NPE, VV, DICP)

E [Baiduyun] está disponível agora graças a @yhlelaine!

Inferência mais rápida

https://github.com/arsenyinfo/enlightenganinference de @arsenyinfo

Se você achar este trabalho útil para você, cite

 @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}
}