该模型为图像调色模型,输入为待调色的图像,输出为调色后的图像。CSRNet通过计算全局调整参数并将之作用于条件网络得到的特征,保证效果的基础之上实现轻便高效的训练和推理。
适用于一般条件下拍摄得到的图像,可提升图像的色彩质感。
在ModelScope框架上,提供输入图片,即可通过简单的Pipeline调用来使用。
import cv2
from modelscope.outputs import OutputKeys
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
img = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_color_enhance.png'
image_color_enhance = pipeline(Tasks.image_color_enhancement,
model='damo/cv_csrnet_image-color-enhance-models')
result = image_color_enhance(img)
cv2.imwrite('enhanced_result.png', result[OutputKeys.OUTPUT_IMG])
模型基于adobefivek进行训练,对于与该数据集分布相差较多的输入可能难以达到最佳效果,在某些极端情形下效果亦无法保证。
Adobefivek数据集,包含4500个图像对(手机拍摄的待调色图像与经艺术家调整后的图像),两组图像对来自同一个场景实例。
训练数据链接: https://data.csail.mit.edu/graphics/fivek/
Adobefivek数据集
文件类型: .PNG
文件数量: 500
包含500个图像对,均为来自同一个场景的实例。
name | Dataset | PSNR | SSIM |
---|---|---|---|
Adove5K(512) | Adobe5K | 25.02 | 0.9256 |
如果你觉得这个模型对你有所帮助,请考虑引用下面的相关论文:
author = {Jingwen He and
Yihao Liu and
Yu Qiao and
Chao Dong},
title = {Conditional Sequential Modulation for Efficient Global Image Retouching},
journal = {CoRR},
volume = {abs/2009.10390},
year = {2020},
url = {https://arxiv.org/abs/2009.10390},
eprinttype = {arXiv},
eprint = {2009.10390},
timestamp = {Thu, 12 Nov 2020 16:03:58 +0100},
biburl = {https://dblp.org/rec/journals/corr/abs-2009-10390.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}