STAR pytorch

Sternenpytorch

Implementierung für Papier "Star: Ein strukturbewusster leichter Transformator für die Echtzeit-Bildverbesserung" (ICCV 2021).

CVF (PDF)

Star-DCE

Die Pytorch-Implementierung von schwieriger Verbesserung mit Stern auf dem Fünfk-Datensatz von Adobe-MIT. Sie finden es im Star-DCE-Verzeichnis. Hier übernehmen wir die Pipleline von Zero-DCE (Papier | Code) und ersetzen nur das CNN-Rückgrat durch Stern. In Zero-DCE wird das Netzwerk für jedes Bild eine Gruppe von Kurven zurückbilden, die dann iterativ auf das Quellbild angewendet werden. Weitere Details finden Sie im ursprünglichen Repo Zero-DCE.

Anforderungen

• Numpy
• Einops
• Fackel
• Torchvision
• opencv

Datensätze

Wir bieten Download-Links für die von uns verwendeten Adobe-MIT-Fünfk-Datensätze (Zug | Test). Bitte beachten Sie, dass wir den von Deepupe aufgelösten Testset für einen fairen Vergleich übernehmen.

Training DCE -Modelle

Ein Original-Star-DCE-Modell zu trainieren,

 cd STAR-DCE
python train_dce.py 
  --lowlight_images_path "dir-to-your-training-set" 
  --parallel True 
  --snapshots_folder snapshots/STAR-ori 
  --lr 0.001 
  --num_epochs 100 
  --lr_type cos 
  --train_batch_size 32 
  --model STAR-DCE-Ori 
  --snapshot_iter 10 
  --num_workers 32 

Um den Basis-CNN-basierten DCE-Netz (W oder W o Pooling) zu trainieren,

 cd STAR-DCE
python train_dce.py 
  --lowlight_images_path "dir-to-your-training-set" 
  --parallel True 
  --snapshots_folder snapshots/DCE 
  --lr 0.001 
  --num_epochs 100 
  --lr_type cos 
  --train_batch_size 32 
  --model DCE-Net 
  --snapshot_iter 10 
  --num_workers 32 

oder

 cd STAR-DCE
python train_dce.py 
  --lowlight_images_path "dir-to-your-training-set" 
  --parallel True 
  --snapshots_folder snapshots/DCE-Pool 
  --lr 0.001 
  --num_epochs 100 
  --lr_type cos 
  --train_batch_size 32 
  --model DCE-Net-Pool 
  --snapshot_iter 10 
  --num_workers 32 

Bewertung geschulter Modelle

Um das von Ihnen trainierte Star-DCE-Modell zu bewerten,

 cd STAR-DCE
  python test_dce.py 
  --lowlight_images_path  "dir-to-your-test-set" 
  --parallel True 
  --snapshots_folder snapshots_test/STAR-DCE 
  --val_batch_size 1 
  --pretrain_dir snapshots/STAR-ori/Epoch_best.pth 
  --model STAR-DCE-Ori 

Um das von Ihnen trainierte DCE-NET-Modell zu bewerten,

 cd STAR-DCE
  python test_dce.py 
  --lowlight_images_path  "dir-to-your-test-set" 
  --parallel True 
  --snapshots_folder snapshots_test/DCE 
  --val_batch_size 1 
  --pretrain_dir snapshots/DCE/Epoch_best.pth 
  --model DCE-Net 

Zitat

Wenn dieser Code Ihrer Recherche hilft, zitieren Sie bitte unser Papier :)

 @inproceedings{zhang2021star,
  title={STAR: A Structure-Aware Lightweight Transformer for Real-Time Image Enhancement},
  author={Zhang, Zhaoyang and Jiang, Yitong and Jiang, Jun and Wang, Xiaogang and Luo, Ping and Gu, Jinwei},
  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
  pages={4106--4115},
  year={2021}
}