Github
论文项目介绍：Retinexformer
Retinexformer是一个专注于低光照图像增强的项目，其核心是基于Retinex理论的Transformer模型。此项目不仅提供了一个基准方法，也成为了一款工具箱，支持超过15种基准测试，并能够进行极高分辨率（高至4000x6000）的低光照图像增强。Retinexformer在NTIRE 2024低光增强挑战赛中获得了第二名。
技术特点与优势
- 强大的基准测试支持：Retinexformer支持超过15种基准测试，涵盖了不同场景下的低光照图像增强需求。
- 高分辨率能力：支持高达4000x6000的超高分辨率图像增强，满足专业级图像处理需求。
- 单阶段模型：区别于传统的多阶段处理，Retinexformer采用更高效的单阶段Retinex模型框架。
项目成就
- 获得2024年NTIRE挑战赛低光增强组第二名。
- 项目代码和模型已被包括在多个学术资源集合中，如Awesome-Transformer-Attention和ICCV-2023-paper等。
最新动态
- 2024年8月7日：发布了绘制对比条形图的代码供研究使用。
- 2024年7月3日：分享了更多对比基准方法的结果以帮助研究。
- 2024年7月1日：增强版Retinexformer被ECCV 2024接受，代码即将发布。
- 2023年11月2至10月10日：Retinexformer被加入到多个低光照图像增强相关的学术收录中。
- 定期发布增强策略和代码更新，如分布式数据并行训练策略和自适应分割测试策略。
实验结果
- 提供LOL、SID、SMID等多种数据集上的实验结果，下载地址详见项目说明。
- 提供与其他基准方法的对比实验结果，助力学术研究与开发。
数据集准备
项目中提到的所有数据集，包括LOL系列、SID、SMID、SDSD以及MIT Adobe FiveK等，均已准备好下载链接，用户可根据项目指引进行数据集的下载和组织。数据集用于训练与测试Retinexformer，以便复现文中的实验结果。
项目安装与使用
- 环境安装：包括Pytorch 1.11和Pytorch 2.0+的安装指南，满足不同训练需求。
- 数据下载与组织：提供详细的数据集下载地址和组织结构说明，确保用户快速搭建项目所需环境。
- 测试与训练：提供预训练模型及其下载链接，支持用户直接进行模型测试；同时提供完整的训练脚本，方便用户基于自定义数据进行模型训练。
引用方式
如果在学术研究中使用了Retinexformer，请引用相关论文，以对原作者表示感谢。
此项目为研究者和开发者解决低光照图像的增强提供了一个高效而强大的工具，且持续更新中，有望提供更加出色的性能和功能。
