Learning to See in the Dark低光照图像增强开源方案与快速上手指南【免费下载链接】Learning-to-See-in-the-DarkLearning to See in the Dark. CVPR 2018项目地址: https://gitcode.com/gh_mirrors/le/Learning-to-See-in-the-Dark暗光下 1/30 秒曝光的 RAW 照片几乎是黑的直接推高 ISO 又会把噪声放大到无法使用的程度。Learning to See in the Dark 是 CVPR 2018 同名论文的 TensorFlow 实现提供低光照图像增强方案输入相机短曝光的传感器 RAW 数据输出明亮、干净的增强图像并附预训练模型和配套数据集。它解决什么问题传统做法是抬高 ISO 来换亮度ISO 8000 的输出基本全黑ISO 409,600 则噪点严重、细节丢失。该方案换了一条路线——用监督学习训练一个映射网络直接从低曝光 RAW 数据学出干净的图像而不是先提亮再降噪。直接处理传感器 RAW 数据不经过相机 ISP避免 ISP 造成的信息损失提供 Sony、Fuji 两套预训练模型与完整数据集克隆仓库即可测试预处理管线明确rawpy 解码、减黑电平、Bayer 打散为 4 通道网络结构简单清晰U-Net 风格 depth-to-space便于复现与改造MIT 协议训练、测试脚本齐全原理与关键效果技术路线分五步rawpy 读取 RAW 文件取 Bayer 原始数组减去黑电平 512除以动态范围归一化到 [0, 1]按输入与长曝光参考图的曝光比放大输入上限 300 倍网络用反卷积逐层上采样输出 12 通道特征后经 depth-to-space 恢复全分辨率输出裁剪到 [0, 1]与长曝光参考图对齐保存关键效果输入是 1/30 秒曝光、近乎全黑的图像输出能恢复出细节清晰、色彩自然的画面而同一场景把 ISO 直接推到 409,600画面仍然噪点严重、难以辨认。三步跑起来环境要求Python 2.7TensorFlow 1.1 及以上另需 scipy、numpy、rawpy。官方在 Ubuntu Intel i7 Nvidia GPU 上验证过需 CUDA 8.0 以上、CuDNN 5.0 以上。最小可运行步骤克隆仓库并下载预训练模型git clone https://gitcode.com/gh_mirrors/le/Learning-to-See-in-the-Dark cd Learning-to-See-in-the-Dark python download_models.py然后运行测试脚本python test_Sony.py结果写入 result_Sony/ 目录每个场景输出三张图模型增强结果、缩放到相同平均亮度的原图、长曝光参考图可直接肉眼对比。想用自己的数据训练把数据放到脚本开头input_dir、gt_dir指定的位置默认 ./dataset/Sony/ 等再运行python train_Sony.pyFuji 对应 test_Fuji.py、train_Fuji.py结果保存在 result_Fuji/。细节与常见坑目录结构checkpoint/ 存放两套预训练模型dataset/ 提供 train、val、test 三个文件列表每行一条短曝光路径、长曝光路径、ISO 和光圈文件名首位数字 0/2/1 分别对应训练、验证、测试集。数据集与硬件Sony 数据集 25 GBFuji 数据集 52 GB需手动下载一次并保存到本地作者已移除自动下载脚本训练时 Sony 模型至少需要 64 GB 内存Fuji 需要 128 GB因为长曝光参考图会被整批载入内存内存不足时可改用作者提供的 16-bit 量化版本。高频问题能否用自己的相机数据测试预训练模型只对 Sony、Fuji 的 RAW 数据有效其他相机或经过 ISP 的 JPG、PNG 图片都不适用。结果全黑通常是模型文件没下载完整下载成功后应有 4 个 checkpoint 相关文件。收尾对做低光照图像处理、传感器 RAW 数据研究的开发者来说这个项目提供了一条从数据准备到训练、评估的完整可复现链路是切入该方向的实用起点。完整代码与数据集说明见项目官方仓库 README。【免费下载链接】Learning-to-See-in-the-DarkLearning to See in the Dark. CVPR 2018项目地址: https://gitcode.com/gh_mirrors/le/Learning-to-See-in-the-Dark创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考