DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs 阅读笔记
DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs 阅读笔记
论文地址：https://arxiv.org/abs/1712.07384
如有侵权请联系我们
引言
文章中提出了一种基于深度学习架构，用于融合多曝光图像的算法
在神经网络的训练过程，一般都是监督学习，这样训练出的神经网络都有很不错的效果。但是由于没有足够的数据集供其使用，所以该篇论文提出了无监督的MEF（多曝光融合）深度学习框架。
介绍
首先引入HDRI的概念，这是一种存储图像的格式，相对于RGB格式来说，HDRI有更大的亮度范围，图像会更好，更清晰。
比较流行的生成HDR图像的方法被称为MEF（多次曝光融合），该方法就是将具有不同曝光的多个LDR图像（例如我们熟知的jpg，png等）融合为一个HDR图像。不同曝光的多个LDR文件也被称为曝光堆栈。
如果曝光堆栈中多个图像之间的曝光偏差最小时，大部分的MEF算法都可以取得不错的效果。但是这就带来了一个问题，曝光偏差小时，就意味着我们需要更大的存储容量以及更长的处理时间，论文中的方法是直接输入一个图像对，曝光偏差可以很大，该论文在这种情况下也可以工作的不错。
主要贡献
一种基于CNN的无监督图像融合算法，用于融合曝光叠加静态图像对。 一个新的基准数据集，可用于比较各种MEF方法 针对各种自然图像的7种最新算法的广泛实验评估和比较研究
提出的方法
总体架构
论文中使用的是使用CNN的图像融合框架。
为什么使用CNN？
因为CNN可以通过损失函数来自动更新网络中的参数，使得输出的结果不断地逼近预测值，运用在图像融合上也是一样，通过我们设定好的损失函数，CNN的输出图像结果就会逐渐趋近我们希望的结果。
主要流程
将输入曝光堆栈转换为YCbCr色通道数据。CNN用于融合输入图像的亮度通道。这是因为亮度通道中存在图像结构细节，亮度通道中的亮度变化比色度通道中的明显。 获得的亮度通道
网络结构
如上所示，特征提取层（C11，C21，C12和C22），融合层（Tensor addition）和重构层（C3，C4，C5）。
输入的Y1和Y2分别为曝光不足和曝光过度的图像。
C11和C12，C21和C22的参数是共享的，这有什么好处呢？
从另一角度来说C11，C21和C12，C22提取的特征是相同的，这就使得提取出的F11和F21可以通过融合层直接融合。这里融合的策略是直接相加。
损失函数
因为MEF没有预期的输出图像，因此像监督学习中使用的各种损失函数，在这里就不适用了，这里使用MEF SSIM作为损失函数，详情可参考以下论文。
K. Ma, K. Zeng, and Z. Wang. Perceptual quality assess- ment for multi-exposure image fusion. IEEE Transactions on Image Processing, 24(11):3345–3356, 2015.
如上图，yk代表表示在输入图像p像素位置周围提取的块，这里k属于（1，2），即代表一张高曝光和曝光不足的图像；uyk代表yk的平均值，Ck代表yk这里的对比度，Sk代表结构，Lk代表亮度
知道了以上公式之后我们再往下看
对比度越高，图像越好，因此这里c hat（就是c的预测值）就是两张图像中yk中的最大的c
结构的预测值公式如下
总体的y的预测如下
由于局部面片中的亮度比较不重要，因此从上述等式中删除亮度分量（文章中提到的，不是很理解）
以上都是为损失函数做铺垫，接下来才到了真正的损失函数
σ2y hat 是y hat的的方差，σy hat yf是是二者之间的协方差，N是图中像素总数
以上就是对论文中的损失函数的介绍了
训练
训练数据
25个公开的曝光堆栈+50个不同场景特征的曝光堆栈，每个场景由两个LDR图像组成。
在这些堆栈中剪裁了30000个大小为64*64的图像用于训练。
训练参数
学习率为10的-4次方，经过100次训练，每次训练所有的数据
测试
遵循标准的交叉验证程序来训练模型，并在不相交的测试集上测试最终模型。
图像的关键细节主要再Y通道上，因此Y通道和Cb/Cr所采用的融合策略是不同的
此外，MEF SSIM损失被公式化以计算2个灰度（Y）图像之间的得分
不知道大家有没有和我一样的疑惑，这里为什么是计算两个灰度图像之间的得分，来看下百度给结果
前文中我们已经提到了，论文中的方法主要是融合Y通道，这就很明朗了。
小细节
- 这里和之前阅读的一篇论文中一样，都需要对输入的图像进行配准和对齐，因为在采集过程中，不可避免的会出现摄像机和物体的移动。 另一篇论文
- 这里的相加策略中是单纯的相加，这时候我们想如果在两张图像中，一张图像中的特征是我们希望在融合时占的比重较大，另一张占的较小，这样实现起来也许融合图像的效果会更好，但是这就要我们计算融合时的权重了，而经过论文作者的测试，发现增加C3后的过滤器和层数也可以达到这个效果。（神经网络yyds）
-
待续
关于实验结果以及总结部分，这里就不赘述了，大家有兴趣可以看一下
文章读的比较糙，因为我的目的主要是想了解这个MEF SSIM损失函数，大家如果有兴趣的话建议好好读一下，非常好的论文
参考
1 DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme
Exposure Image Pairs