当人们在 低 光条件下拍摄图像时，图像通常会受到 低 能见度的影响。除了降 低 图像的视觉美感外，这种不良的质量还可能显著降 低 许多主要为高质量输入而设计的计算机视觉和多媒体算法的性能。在本文中，我们提出了一种简单而有效的微光图像增强( LIME )方法。更具体地说，首先通过在R、G和B通道中寻找最大值来单独估计每个像素的 光照 。此外，我们通过在初始 光照 图之前添加一个结构来细化初始 光照 图，作为最终的 光照 图。通过构造良好的 光照 图，可以实现相应的增强。 随着信息时代的到来，多媒体技术已经进入千家万户，视频图像作为感知世界的重要载体，已经成为人们不可或缺的信息资源。然而受到成像设备和照明条件限制，图像视频捕获过程中，由黑暗环境下带来的 低 对比度和成像设备带来的噪声往往极大限制了图片的质量，从而造成信息损失，同时降 低 人的感观体验， 低 光的照明环境同时也影响着计算机下游任务如（目标检测，人脸识别，语义分割）等，人的感知系统很难在有限的 光照 下捕获到图片的有效信息，在计算机视觉中，图像是三维的矩阵数据信息，如何捕获这些矩阵在数值上的分布和差异是反映图像信息的关键。 文章目录AbstractIntroduct ion Contribut ion MethodSpeed-up Method(1)：ALM子问题 T子问题 G子问题 Z和μ\muμSpeed-up Method(2)：权重变量实验conclus ion 今天要整理的一篇 论文 是使用传统的方法解决 低 照度 的问题，Guo等人于2016年发表在IEEE上， 论文 《 LIME ： Low - light Image Enhance... 随着电子信息技术的迅猛发展，视频监控与图像采集设备在科研、工业以及生活中的应用愈发广泛。在众多应用场景里， 低 照度 环境下的图像采集需求不断攀升， 低 照度 图像是指由于拍摄环境 光照 不足而导致整体亮度 低 ，对比度差并伴有较高噪声的图像类型，这种图像广泛应用于夜间监控、智能交通、工业检测和消费电子等领域。然而 低 照度 条件下，图像普遍存在亮度不足、细节缺失、噪声干扰严重等问题，极大影响了视觉感知效果和后续计算机视觉任务的性能，例如目标检测、图像识别与跟踪等任务可能因图像模糊而出现误判或漏判。 通过寻找RGB三通道中的最大值，并分别估计每个像素的 illu mina t ion ，然后添加一个结构来完善initial illu mina t ion map 来作为最终的 illu mina t ion map 。该方法具有 LIME 的有效性，并具有很好的图像增强效果和效率。高可见度的图像具有目标场景的具体细节， low - light 情况下的图像可见度 低 ，基于Retinex策略估计 illu mina t ion map 来增强 低 光照 。本方法只估计 illu mina t ion 缩小solut ion space并减少计算成本。... Optical f low esti mat ion Tradit ion al MethodVariat ion al approachTVL-1Deep MethodSupervisedF low NetF low NetCUnsupervised 转载于:https://www.cnblogs.com/kwanss/p/10247349.html LIME (Local Interpretable Model-agnostic Explanat ion s)：一种新颖的解释技术，通过在预测周围局部学习一个可解释模型，以一种可解释的和可信赖的方法来解释任何分类器的预测。 主要内容人工智能中的可解释性 LIME 模型思想如何衡量可解释性对于模型输出的可解释性( LIME )对于模型行为的可解释性(SP- LIME ) 人工智能中的可解释性 LIME 模型思想 如何衡量可解释性 对于模型输出的可解释性( LIME ) 对于模型行为的可解释性(SP- LIME ) 尽管一些机器学习模型的性能很好，被得到广泛使用，但其仍然是个黑盒子，至于为啥模型做出这样的决定我们是不知道的，对于某些领域（如医学领域）来说，即使模型的准确率很高，但可能也不敢过度相信其做出的决定。所以我们需要一个解释器来告诉我们为啥模型做出这样的预测等细节。 论文 的主要贡献： 1.提出了一种称为 LIME 的算法模型，它以一个能够让人信服的方式为任何分类模型或回归模型解释其做出的预测。通过一个局部的可解释模型来近似原模型来解释。 2.同时，提出了一个叫SP- LIME 的方法，该算法能够挑选尽量少的样本覆盖尽