暗光增强——URetinex-Net网络推理测试

发布时间:2023年12月30日

在这里插入图片描述

一、URetinex-Net网络

URetinex-Net 设计了三个基于学习的模块,分别负责数据相关的初始化、高效的展开优化和用户指定的光照增强。由于 URetinex-Net 的推理速度非常快,它可以用于需要实时图像处理的应用,如手机摄像头、实时视频流等。

二、源码包

有官网源码包和我自己提供的源码包,我提供的包里面有测试集,代码没有修改。官网只提供了测试代码,没有训练代码。

官网下载链接:URetines-Net

我提供的源码包:网盘,提取码:1rbn

论文地址:论文

精简论文地址:精简论文

论文讲解视频地址:视频

下载后的源码包如下:

在这里插入图片描述

官网提供的模型权重位于根目录下的ckpt文件夹中,如下,有多种选择,学者可以自己修改模型测试:

在这里插入图片描述

三、测试

3.1 修改参数

修改测试参数的位置如下:

在这里插入图片描述

测试脚本为test.py,在终端中输入以下命令测试,官方提供的代码只能单张测试,需要测试文件夹中所有图片,可以自己修改代码测试:

python test.py --img_path "./demo/input/1.png"

上面命令中–img_path是测试图片的路径。自己的测试图片放到路径下demo\input中。

在这里插入图片描述

3.2 测试结果

运行上面命令后,测试结果会自动保存到如下目录中。

在这里插入图片描述

下面是URetinex-Net测试结果和Zero-DCE测试结果的对比,最左侧为原始暗光图,中间为Zero-DCE测试结果,右侧为URetinex-Net测试结果。关于Zero-DCE的测试方法,参考博文:Zero-DCE

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

以上两种算法不同场景下,各有优势,我不做评价,学者自己对比。

四、推理速度

在这里插入图片描述

在这里插入图片描述
论文中的测试平台为: NVIDIA Tesla V100 GPU。这么强的算力,推理速度为80ms/fps。从论文给的数据分析,我没有在CPU上测试速度,CPU想实时运行起来,难。

五、总结

以上就是URetinex-Net网络推理测试的过程,在测试结果中与Zero-DCE做了多场景的对比,各有优势。

总结不易,多多支持,谢谢!

文章来源:https://blog.csdn.net/qq_40280673/article/details/135292832
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。