一、Zero-DCE方法

Zero-DCE（Zero-Reference Deep Curve Estimation）是一种用于低光照增强的网络。

1.1 网络优点

无需参考数据：Zero-DCE 不需要任何配对或非配对的数据进行训练，这避免了过拟合的风险。

轻量级网络：Zero-DCE 使用了一个轻量级的网络（DCE-Net）来预测一个像素级的，高阶的曲线。

实时运行：Zero-DCE 的推理速度极快，甚至可以在手机上实时运行。

优秀的增强效果：Zero-DCE 的提亮效果优于其他方法，训练速度和推理速度更是冠绝一方。

1.2 网络适用场景

低光照图像增强：Zero-DCE 是为低光照图像增强设计的，因此它在这个场景下表现得非常好。

实时图像处理：由于 Zero-DCE 的推理速度非常快，它可以用于需要实时图像处理的应用，如手机摄像头、实时视频流等。

数据少的情况：由于 Zero-DCE 不需要任何配对或非配对的数据进行训练，所以它适合于数据少的情况。

1.3 网络不适用场景

高光照图像增强：Zero-DCE 主要是为低光照图像增强设计的，因此它可能不适合高光照图像增强的场景。

需要精确色彩再现的应用：虽然 Zero-DCE 能够提高图像的亮度，但它可能会改变图像的色彩。因此，对于需要精确色彩再现的应用，如医学图像处理、艺术作品修复等，Zero-DCE 可能不是最佳选择。

二、源码包

这里给出官网地址和我自己的源码包，我在官网基础上没修改多少代码。

官网下载：Zero-DCE

我提供的源码包：添加链接描述，提取码：ttzn

论文地址：论文

下载解压后的样子如下：

官网提供的模型权重在snapshots路径下：

三、测试

在运行脚本前要先在测试集文件夹同级目录下的result文件夹中创建和测试集文件夹名一样的空文件夹，用与存放测试结果。如下：

然后在test_data文件夹中的各个文件夹中放入自己低分辨率的图片即可运行脚本，如下：

测试脚本我分了两个，一个是GPU推理，一个是CPU推理，如下，都加有推理测试时间的代码：

四、测试结果

测试结果自动保存到data\resul文件夹下。

下面是部分测试场景，左图为暗光图，右图为Zero-DCE模型增强后的结果：

五、推理速度

我自己电脑处理器为：12th Gen Intel® Core™ i7-12700H 2.30 GHz，显卡为Nvidia GeForce RTX 3050。

测试图像的分辨率640*480左右。

GPU平均推理速度为：2ms/fps。

CPU平均推理速度为：2980ms/fps。

六、总结

以上就是Zero-DCE网络推理测试的过程，注意该网络的适用情况。后续还会出其它暗光增强算法，从多角度对比不同算法处理的结果。

总结不易，多多支持，谢谢！