言语增强 文件DCUnet.ipynb源自的程序。 已进行了一些修改，以使该程序可以在2021年2月在Colab的版本上运行。具体地说，笔记本电脑使用以下程序包： torchaudio == 0.5.0a0 + 738ccba tqdm == 4.56.2 numpy == 1.19.2 pesq == 0.0.2 scipy == 1.4.1 matplotlib == 3.3.1 火炬== 1.5.1 DCUnet16.ipynb：在16kHz波形文件上进行训练和测试DCUnet48.ipynb：在48kHz波形文件上进行训练和测试（类似于 ）

NIMA：神经影像评估 这是Hossein Talebi和Peyman Milanfar撰写的《 （在接受）的PyTorch实现。 您可以从了解更多。 实施细节 该模型在上进行了训练，该包含大约255,500张图像。 你可以从得到它。 注意：数据集中可能存在一些损坏的图像，请在开始训练之前先将其删除。 该数据集分为229,981张图像用于训练，12,691张图像用于验证和12,818张图像用于测试。 ImageNet预训练的VGG-16用作模型的基础网络，为此，我在验证集上损失了约0.072 EMD。 尚未在本文中尝试过其他两个选项（MobileNet和Inception-v2）。 非常欢迎您进行自己的扩展。 学习率设置与原始论文不同。 我似乎无法使用3e-7的转换底数和3e-6的密集区块的底线来使模型收敛于动量SGD。 另外，我没有做太多的超参数调整，因此您可能会获得更好的结果

Retinex深度自调整低光图像增强的切换视图 论文“ Retinex的切换视图：深度自规则微光图像增强”的代码。 该实现仅用于非商业用途。 要求 python 3.6.12 火炬1.6.0 火炬视觉0.7.0 CUDA 10.1 科尔尼亚0.4.1 测试 python test.py 您应该指定测试图像路径和输出路径。 火车 在下载训练数据集（SICE） python main.py 接触 如有任何疑问，请通过与天联系。

图像直方图均衡化算法matlab代码单一水下图像增强和色彩还原 这是python实施的综合评论文章“用于水下成像的图像增强和图像恢复方法的基于实验的评论” 抽象的！ 水下图像在海洋勘探中起着关键作用，但由于光在水介质中的吸收和散射，经常会遭受严重的质量下降。 尽管近来在图像增强和恢复的一般领域中已经取得了重大突破，但是还没有特别关注用于改善水下图像质量的新方法的适用性。 在本文中，我们回顾了解决典型水下图像损伤（包括一些极端退化和变形）的图像增强和恢复方法。 首先，我们根据水下图像形成模型（IFM）介绍了水下图像质量下降的主要原因。 然后，我们回顾了水下修复方法，同时考虑了无IFM和基于IFM的方法。 接下来，我们结合主观和客观分析，考虑了基于IFM的最新方法和基于IFM的方法的基于实验的比较评估，同时还考虑了基于IFM的方法的基于先验的参数估计算法。 从这项研究开始，我们将查明现有方法的主要缺点，并为该领域的未来研究提出建议。 我们对水下图像增强和还原的评论为研究人员提供了必要的背景，以了解这一重要领域中的挑战和机遇。 已经实施 水下图像色彩还原 DCP：使用暗通道先验去除单张图像混

彩色补偿的matlab代码很棒的水下图像增强 作者：李玉峰，黄玉峰 1说明 很棒的水下图像增强方法的集合。 维护论文，代码和数据集。 2相关工作 2.1数据集 U45 [] EUVP [] DUIE [] UIEB [] UWCNN [] 涡轮[] Uw-imagenet [] MHL，牙买加领域[] 2.2论文 2020年 Marques等人的L2UWE：使用局部对比度和多尺度融合有效增强弱光水下图像的框架。 [] [] Zhou等，基于物理模型反馈的水下图像领域自适应对抗学习。 [][代码] Marques等人的L2UWE：使用局部对比度和多尺度融合有效增强弱光水下图像的框架。 [] [] Islam等人，《快速水下图像增强功能可改善视觉感知》。 [] [] 2019年 Anwar等人，“深入研究水下图像增强功能：一项调查”。 [] [] Li等人，《水下图像增强基准数据集及其他》。 [] [] Roznere等人，水下机器人基于模型的实时图像色彩校正。 [] [] Jamadandi等人的“基于样例的水下图像增强技术”通过小波校正变换进行了增强。 [] [] Song等人，“利用

低光图像增强 基于以下论文，通过光照图估计实现两种低光图像增强技术的 Python 实现： 稳健曝光校正的双光照估计 [] LIME：通过照明图估计进行低光图像增强 [] 这两种方法都基于 retinex 建模，旨在通过保留图像的突出结构来估计光照图，同时去除多余的纹理细节。 为此，两篇论文都使用了相同的优化公式（参见参考资料）。 与第二篇论文（以下称为 LIME）相比，第一篇论文（以下称为 DUAL）引入的新颖性在于对原始图像及其倒置版本的该映射的估计，它允许校正曝光不足和过度曝光图像的暴露部分。 此存储库中实现的代码允许使用这两种方法，可以从脚本参数中轻松选择。 安装 这个实现在python>=3.7上运行，使用pip安装依赖： pip3 install -r requirements.txt 用法 使用demo.py脚本来增强您的图像。 usage: demo.py

Optimized Contrast Enhancement for Real Time Image and Video Dehazing

How to find BAdi

脑MRI序列的预处理 这是对ADNI数据集的大脑MR图像进行预处理的管道通过使用FMRIB软件库（ FSL ）和高级归一化工具（ ANTs ）。 1.安装FSL和ANT 按照说明下载并安装FSL 。 从或源代码编译ANT 。 2.安装Python软件包 所有必需的库如下所示： tqdm 麻木 科学的 py 尼巴​​贝 matplotlib sciKit-fuzzy（可选） scikit-learn（可选） 3.下载数据集 此仓库中使用的数据集是ADNI1和ADNI2的AD和NC筛选图像。 见。 这是原始图像的一个样本。 4.重新组织文件 将工作目录切换到src 。 运行reorgnize.py，它将ADNI1和ADNI2合并到一个文件夹中。 python reorgnize.py 5.注册 运行registraion.py通过FSL FLIRT将图像转换为模板的坐标系。

nara_wpe 语音混响的加权预测误差 由外壳中的反射引起的背景噪声和信号混响是声信号处理和远场语音识别中的两个主要障碍。 这项工作解决了基于WPE的信号去混响技术，用于语音识别和其他远场应用。 WPE是一种令人信服的算法，它可以基于长期线性预测来盲目地消除声学信号。 主要算法基于以下论文：吉冈，拓，和中谷智宏。 “用于盲MIMO脉冲响应缩短的多通道线性预测方法的推广。” IEEE音频，语音和语言处理交易20.10（2012）：2707-2720。 内容 迭代脱机WPE /块在线WPE /递归帧在线WPE 所有的算法都在Numpy和TensorFlow中实现（适用于1.12.0版）。 经过Python 2.7、3.5和3.6的持续测试。 自动生成的文档： 模块化设计，方便进行更改以进行进一步的研究 安装 如果您只想使用它，请直接通过Pip安装它： pip install na