CVPR 2018:在黑暗中学习看见
CVPR 2018: Learning to See in the Dark
频道:Chen Chen · 时长:3:31 · 发布:2018-04-24 · 播放:190465
简介
CVPR 2018 论文《在黑暗中学习看见》的配套短片。展示了神经网络从极低光照的原始传感器数据中生成清晰图像,并与去噪方法进行了对比。
HN 为什么推荐
HN 评论者将其标记为一项非凡的机器学习成果,尤其是它表明在原始图像上训练优于 JPEG。
非凡的机器学习成果,"在极低光照下产生惊人清晰的照片" — HN, 2018
HN 上的讨论
在“在极低光下拍出惊人清晰照片”方面取得了非凡的机器学习成果(Cory Doctorow - [LINK])。演示示例(众多示例之一——将中间的滑块从左拖到右):[LINK] GitHub:[LINK] 论文:[LINK] 视频:[VIDEO] — isp, 2018-05
在我看来,结果似乎远优于那些简单的DSP算法。视频中展示了与一些去噪方法的对比:[VIDEO] — pera, 2020-04
公开的原始图像数据集很稀少,可能是因为除了单反相机之外,大多数相机都不支持存储原始图像。此外,推理的性质可能并不需要高保真的原始图像,因为它们无论如何都会被降采样。除非研究表明原始图像能改善推理指标,否则没人会投入精力去构建原始图像数据集。最近一个值得注意的例外是关于低光图像增强的“学会在黑暗中看见”论文[1]——他们发现,在原始图像上训练比在JPEG上训练能带来好得多的增强效果。数据可用性问题可能很快就会开始得到解决,因为手机(至少是Android)支持存储和处理原始图像,而且手机上的设备端学习和推理能力一直在不断提升。[1]:[VIDEO] — lovelearning, 2018-08
相关视频
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14
- USENIX Security '18-Q:为什么主题演讲者不断建议改进安全性是可能的? · USENIX · 51:22
- 第一讲 | 机器学习(斯坦福) · Stanford · 1:08:40
- MarI/O - 视频游戏机器学习 · SethBling · 5:57
- 深入探讨 ChatGPT 等 LLM · Andrej Karpathy · 3:31:23
- 学会玩经典 NES 游戏的计算机程序 · suckerpinch · 16:17
- David Silver 强化学习课程 - 第一讲:强化学习导论 · Google DeepMind · 1:28:12
- 让我们从头构建 GPT:用代码,详细解释。 · Andrej Karpathy · 1:56:20
- 湾区视觉会议:无监督特征学习和深度学习 · Google TechTalks · 48:10
- A Hackers' Guide to Language Models · Jeremy Howard · 1:31:13
- "语音驱动开发:谁还需要键盘?" 作者 Emily Shea · Strange Loop Conference · 41:17
- 安德烈·卡帕西 - 特斯拉全自动驾驶的人工智能 · Matroid · 30:08
- [1小时演讲] 大型语言模型入门 · Andrej Karpathy · 59:48