preview/README-zh.md

CR-Net: 一种连续渲染网络，用于增强低光环境下的处理能力

📄 论文   |    💻 源码   |    🤗 Hugging Face

CR-Net 模型的架构。

介绍

CR-Net 是一个深度学习模型，旨在提升在低光条件下的图像和视频质量。通过学习一个连续渲染过程，CR-Net 能够有效地恢复细节、减少噪声并增强亮度，从而在具有挑战性的弱光环境中生成自然清晰的结果。 要了解更多关于 CR-Net 的信息，请阅读我们的文档 English | Tiếng Việt | 中文。

主要特性

• 增强低光图像/视频质量： 显著改善在低光条件下拍摄的图像和视频的亮度与对比度。
• 连续渲染网络： 采用新颖的架构，比传统方法生成更加平滑、自然的效果。
• 灵活应用： 支持处理视频和包含多张静态图像的文件夹。

演示

安装与要求

要运行该模型，您需要合适的环境。我们推荐使用以下版本：

• Python: Python >= 3.10（推荐使用 Python 3.10）
• PyTorch: PyTorch >= 1.12（推荐使用 PyTorch 2.1.2）

步骤 1: 克隆仓库

  git clone https://github.com/val-utehy/CR-Net.git
  cd CR-Net

步骤 2: 安装依赖

  pip install -r requirements.txt

[!注意]
请确保您已安装与 CUDA 驱动 兼容的 torch 和 torchvision 版本，以充分利用 GPU。

使用指南

1. 模型训练 (Training)

Training file will be updated soon!

2. 测试与推理 (Testing and Inference)

a. 视频处理：

1. 配置脚本文件：

打开并编辑文件 test_scripts/ast_inference_video_dat.sh。在此文件中，您需要提供训练好的 checkpoint 路径，以及输入/输出视频的路径。

2. 运行视频处理脚本：

完成配置后，进入项目根目录并执行以下命令：

  bash test_scripts/ast_inference_video.sh

b. 图像文件夹处理：

1. 配置脚本文件：

打开并编辑文件 test_scripts/ast_n2h.sh。在此文件中，您需要提供训练好的 checkpoint 路径，以及输入/输出图像文件夹的路径。

2. 运行图像文件夹处理脚本：

完成配置后，进入项目根目录并执行以下命令：

  bash test_scripts/ast_n2h.sh

引用 (Citation)

References

1. https://github.com/EndlessSora/TSIT

2. https://github.com/astra-vision/CoMoGAN

3. https://github.com/AlienZhang1996/S2WAT

许可证 (License)

CR-Net 在 MIT 许可证下发布。请参阅 LICENSE 文件以获取更多详细信息。