KinD
KinD的Tensorflow实现
Kindling the Darkness: a Practical Low-light Image Enhancer. In ACMMM2019
Yonghua Zhang, Jiawan Zhang, Xiaojie Guo
环境要求
- Python
- TensorFlow == 1.15.0
- numpy
- pillow
- Ascend 910
最终结果
|
PSNR |
SSIM |
比赛精度基线 |
20 |
0.75 |
Paper精度基线 |
20.8665 |
0.8022 |
Ours(Ascend 910) |
21.7097 |
0.8864 |
结构目录
|-- checkpoint ----模型存放路径
|--decom_net_train ----自动生成的模型存放路径
|--illumination_adjust_net_train ----自动生成的模型存放路径
|--Restoration_net_train ----自动生成的模型存放路径
|-- figures ----展示图片存放路径
|-- LOLdataset ----数据集存放路径(由下载的数据集解压得到)
|-- test ----示例图片存放文件夹
|-- adjustment_net_train.py ----网络模型文件
|-- calculate_ssim_psnr.py ----验收指标计算文件
|-- decomposition_net_train.py ----网络模型文件
|-- evaluate_LOLdataset.py ----LOLdataset数据集评估文件
|-- evaluate.py ----评估文件
|-- model.py ----网络模型文件
|-- README.md ----使用前必读
|-- reflectance_restoration_net_train.py ----网络模型文件
|-- train_testcase.sh ----NPU训练启动shell
|-- utils.py ----其他作用文件
快速启动
在本级目录下,执行如下命令:
0. 下载数据集
首先,下载数据集压缩包:数据集可以从这里下载 BaiduNetdisk or google drive(该数据集压缩包将LOL数据集的训练对保存在“./LOLdataset/our485/”下,并将评估对保存在“./LOLdataset/eval15/”下)
其次,将得到的LOLdataset_and_expo.zip放到本级代码目录下,之后执行如下命令解压缩即可
unzip LOLdataset_and_expo.zip
-
激活环境
source activate /home/ma-user/miniconda3/envs/TensorFlow-1.15.0/
-
运行脚本,运行时间大概需要30719s,请耐心等待
bash train_testcase.sh
-
查看结果
cat calculate_ssim_psnr.log
在打印的最后,可以看到我们的结果为
##### Test Average SSIM: 0.8864641895358436 #####
##### Test Average PSNR: 21.709714716708934 #####
测试
如果您想直接进行测试,我们也提供了解决方案。
首先,下载预训练模型 BaiduNetdisk or google drive, 之后运行
python evaluate.py
我们预先训练过的模式已经改变了。因此,结果与本文的报告有一定的差异。但是,可以调整照明率以获得更好的效果。
我们的代码部分参考了 code.
Citation
@inproceedings{zhang2019kindling,
author = {Zhang, Yonghua and Zhang, Jiawan and Guo, Xiaojie},
title = {Kindling the Darkness: A Practical Low-light Image Enhancer},
booktitle = {Proceedings of the 27th ACM International Conference on Multimedia},
series = {MM '19},
year = {2019},
isbn = {978-1-4503-6889-6},
location = {Nice, France},
pages = {1632--1640},
numpages = {9},
url = {http://doi.acm.org/10.1145/3343031.3350926},
doi = {10.1145/3343031.3350926},
acmid = {3350926},
publisher = {ACM},
address = {New York, NY, USA},
keywords = {image decomposition, image restoration, low light enhancement},
}