พยายามบีบอัด 3dluts ผ่านการเรียนรู้: การสลายตัวระดับต่ำและแฮช ประสิทธิภาพที่สูงขึ้นด้วยรุ่นที่เล็กกว่ามาก!
ความสัมพันธ์ที่อ่อนแอ
เมทริกซ์เรียนรู้
การสร้างภาพ 3 มิติของ 3DLUTS พื้นฐานที่เรียนรู้ (ซ้าย: การแมปข้อมูลประจำตัวเริ่มต้นขวา: หลังการฝึกอบรม)
การแสดงภาพกริดการเข้าพัก
รหัสการสร้างภาพทั้งหมดสามารถพบได้ใน UTILS/
เฟรมเวิร์กของ repo. และการใช้งาน Clutnet นี้สร้างขึ้นจากการทำงานที่ยอดเยี่ยมของ Zeng et al : การเรียนรู้ตารางการค้นหา 3D แบบปรับภาพที่ปรับแต่งภาพสำหรับการปรับปรุงภาพถ่ายประสิทธิภาพสูงแบบเรียลไทม์ TPAMI2020
Hashluts ความละเอียดหลายความละเอียดถูกนำมาใช้ตามการเข้ารหัสแฮชอย่างรวดเร็วของ Nvidia Tiny-Cuda-NN
ชื่นชมอย่างมากสำหรับความพยายามของงานข้างต้นและผู้ทำงานร่วมกันทั้งหมดและเพื่อความสนใจของคุณ!
หวังเป็นอย่างยิ่งว่างานของเราจะช่วยได้! - -
@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}}