记录组会内容。
工作：ZeroDCE+DSFD
遇到困难，未完成。用网络上的train.py接入HLA中DSFD，很多地方不匹配。
上周论文Zero-Shot Restoration of Underexposed Images via Robust Retinex Decomposition的两个疑点
并没有找到作者的联系方式。在github项目中提问，未有答复。
继续轻量化实验
（上次组会前工作内容）
| EnlightenGAN | EnlightenGAN_light | EnlightenGAN_light(only g) | |
|---|---|---|---|
| 模型参数量 | |||
| Generator | 8.63M | 2.39M | 2.39M |
| Discriminator_A | 11.15M | 0.73M | 11.15M |
| Discriminator_B | 6.96M | 0.46M | 6.96M |
| PSNR | 17.01 | / | 16.64 |
| SSIM | 0.63 | / | 0.60 |
5.14 进度：
EnlightenGAN_light无法收敛，梯度迅速消失。
在弱光增强的创新点
个人对风格迁移感兴趣，金老师提议用风格迁移做弱光增强。
之前金老师在组会上的建议：高质量图像，通过网络，学成低质量图像，保证其与真实低质量图像有相似之处。再用合成的低质量图像来训练增强网络（从超分上得到的启发）。
可否利用CycleGAN？
（LOL数据集：）
复现项目
可作为小组任务完成。
今天的启发
-
工作还要继续做，少摸鱼，多学习。
-
可以继续尝试联系论文作者，在学校官网上查找联系方式。
-
分析原因，可能是判别器对EnlightenGAN很重要，牵一发而动全身。
-
这个idea实验室的师兄有在做。金老师说，实际上cycleGAN将亮图转为暗图后，有很多隐藏信息在黑图中，这样的伪黑图往往容易转为高质量亮图。这与真实黑图是不符合的。为了解决这个问题，师兄提出了不对称cycleGAN。
疑问：有监督训练cycleGAN，也没办法生成好的伪黑图吗？
沿着这个思路，还有什么办法能生成逼近真实黑图的伪黑图呢？
能不能做一个网络，从成对真实黑图、伪黑图中学习特征？
-
经周问了一个问题，我觉得问得很有道理：大部分方法都是图像->增强网络->图像->检测网络->图像。为什么不直接图像->增强网络->检测网络->图像，直接在feature map进行增强呢？
这个想法很少人做，缺乏理论依据。也许别的领域有。
金老师说，可以不着急，慢慢积累。的确，继续读论文，总会有灵感，来日方长。
-
大家都又强又努力。