CLUT

CUR

Duas tentativas de comprimir 3DLUTs por meio de aprendizado: decomposição de baixo rank e hash. Maior desempenho com modelos muito menores! ☺️

CLUT-NET: Aprendendo representações compactadas de forma adaptável de 3dluts para aprimoramento de imagem leve

• Fengyi Zhang , Hui Zeng, Tianjun Zhang, Lin Zhang
• ACMMM2022

Correlações fracas

Matrizes aprendidas

Visualização 3D da base aprendida 3dluts (esquerda: mapeamento inicial de identidade. Direita: após o treinamento)

Visualização da ocupação da grade

Todos os códigos de visualização podem ser encontrados no UTILS/.

Agradecimentos

• Esta estrutura e a implementação do CLUTNET são construídas sobre o excelente trabalho de Zeng et al : Aprendendo tabelas de pesquisa 3D adaptativas para a imagem para aprimoramento de fotos de alto desempenho em tempo real. TPAMI2020

• Os hashluts de várias resolução são implementados com base na codificação rápida de hash da NVIDIA Tiny-Cuda-NN.

Grande apreciação pelos esforços do trabalho acima e de todos os colaboradores e pelo seu interesse!

Sinceramente espero que nosso trabalho ajude! ? ?

Bibtex?

 @inproceedings{clutnet,
author = {Zhang, Fengyi and Zeng, Hui and Zhang, Tianjun and Zhang, Lin},
title = {CLUT-Net: Learning Adaptively Compressed Representations of 3DLUTs for Lightweight Image Enhancement},
year = {2022},
isbn = {9781450392037},
url = {https://doi.org/10.1145/3503161.3547879},
doi = {10.1145/3503161.3547879},
booktitle = {Proceedings of the 30th ACM International Conference on Multimedia},
pages = {6493–6501},
numpages = {9},
}

@INPROCEEDINGS{hashlut,
author={Zhang, Fengyi and Zhang, Lin and Zhang, Tianjun and Wang, Dongqing},
booktitle={2023 IEEE International Conference on Multimedia and Expo (ICME)}, 
title={Adaptively Hashing 3DLUTs for Lightweight Real-time Image Enhancement}, 
year={2023},
volume={},
number={},
pages={2771-2776},
doi={10.1109/ICME55011.2023.00471}}