# ZeroDCEUse

**Repository Path**: cnzzl/zero-dceuse

## Basic Information

- **Project Name**: ZeroDCEUse
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-02-08
- **Last Updated**: 2025-02-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ZeroDCE使用
## 简介
在视觉项目中，经常会遇到图像过暗点情况，通过深度学习神经网络可以对图像进行增亮处理，而Zero-DCE（Zero-Reference Deep Curve Estimation）是一种基于深度学习的无监督图像增强方法，其核心原理是通过深度网络估计像素级的高阶曲线来调整图像亮度。

## 使用方法


## 原理


那么Zero-DCE图像增亮的原理是什么呢？简单的说，它就是对图像的每一个通道的像素进行处理：

 
x 是输入像素值（归一化到[0,1])， 
α
n
 是网络预测的调整参数（每个像素对应一组参数），n 表示迭代次数（如迭代8次）。
参数学习的指导原则是无监督损失函数，它由四部分损失函数组成
曝光控制损失（LexpLexp​）： 约束局部区域的平均亮度接近预设值（如0.6），防止整体过暗或过曝。
L
e
x
p
=
1
M
∑
k
=
1
b
M
∣
E
k
−
0.6
∣
 
E
k
 ​ 是图像中第k个局部区域的平均亮度；
网络通过调整 
a
n
 使各区域亮度趋近目标值。
2.颜色一致性损失（LcolorLcolor​）： 约束RGB三通道的调整幅度相似，避免色偏。 Lcolor=∑(i,j)∈相邻通道∥LEn(Ri)−LEn(Rj)∥Lcolor​=(i,j)∈相邻通道​∑​∥LEn​(Ri​)−LEn​(Rj​)∥
例如，红色和绿色通道的调整后差异需尽量小。
梯度平滑损失（LtvLtv​）： 约束相邻像素的调整参数（αnαn​）平滑变化，避免突变和噪声。 Ltv=∑n(∥∇αnx∥+∥∇αny∥)Ltv​=n∑​(∥∇αnx​∥+∥∇αny​∥)
∇αnx∇αnx​ 和 ∇αny∇αny​ 表示参数在水平和垂直方向的梯度。
空间一致性损失（LspaLspa​）： 保持增强前后图像的边缘和纹理结构一致。 Lspa=∑i∥∇Iinput−∇Ienhanced∥Lspa​=i∑​∥∇Iinput​−∇Ienhanced​∥
网络输出的参数 
a
n
 ​是调整的关键，通过局部光照特征，以及自适应调整的方式生成