Learning-to-See-in-the-Dark-master
该项目实现了对于暗光环境下，使用高速快门和适中感光度拍摄出的极大欠曝的raw文件，生成曝光正常且画质优秀的jpg格式文件。效果极大优于使用前期高感光度拍摄，或者使用ps等软件提亮照片。
数据集：
数据集分为sony和fuji两个数据集，sony部分为拜尔阵列，fuji部分为xtran阵列。两种色彩滤镜排列存在区别，在raw通道分离时使用不同算法。
以sony数据集为例，数据集包括两种类型的照片，一张曝光时间长，曝光充足的照片（储存在long文件夹中）和若干张曝光时间短，欠曝严重的照片（储存在short文件夹中）。
文件名第一位为照片编号，相同代表同一场景；第二位代表序号，第三位代表曝光时间
数据预处理：
短曝光照片使用rawpy读取元数据，减去黑位后，根据色彩滤镜模式拆分成若干单色通道。拜耳阵列拆分为1/2 1/2 4（rggb）；Xtrans拆分为1/3 1/3 9（2r2b5g）
网络结构：
损失函数：
优化器：
训练过程：
每次训练中，按照随机顺序取一个照片编号，根据照片编号读取长曝光照片及一张编号为00的短曝光照片（如果存在多个编号为00，曝光时间不同的，则随机取一张）。根据文件名判断两张照片曝光量差值倍率作为放大倍率。短曝光照片预处理后乘上放大倍率，放入输入数组；长曝光照片使用rawpy解码输出16位rgb图片放入目标数组。加载完成后，在图片内取随机位置截图并随机翻转，作为训练样本。
第一次读取后将照片保存到内存（真tm大）。将使用的数据量限制为50组照片后内存大小约为13gb
修改笔记
1.增加batch大小（从1到5）时间翻倍，开始下降速度较快但是然后趋于平缓，小样本中200次训练损失率没有优势
2.网络对显卡利用率较低
3不记录日志，训练速度约为0.1s/张，加了是>0.3
4输出层加几层resnet？
5.20
选择性记录日志后，单次5batch训练时间低于0.2s，gpu利用率在40-50
出现loss率周期性上升
网友评论