Как научиться хорошо видеть в темноте


Как научиться видеть в темноте: 5 способов улучшить ночное зрение

К сожалению, природа не наградила нас способностью видеть в темноте так, как это умеют кошки или совы. Несмотря на это, существует несколько хитростей, которые могут научить ваши глаза быстрее привыкать к сумраку и лучше разглядеть то, что притаилось в потемках. Эти навыки пригодятся, даже если вы не намерены вступить в ряды ночного дозора. Итак, как же можно научиться видеть в темноте?


5 способов, которые помогут быстрее сориентироваться во тьме

Факт. Человеческий глаз полностью привыкает к темноте в течение часа. Однако самая стремительная адаптация происходит в течение первых десяти минут.

 1.    «Одноглазый Джо»

Если вы знаете, что скоро вам предстоит погрузиться во тьму, к примеру, собираетесь въехать в туннель или спуститься в темный подвал, подготовьтесь заранее. Хотя бы за пару минут до погружения в сумрак, закройте один глаз – это поможет ему заочно привыкнуть к отсутствию света. Когда вы окажетесь во мраке, зажмуренный ранее глаз будет видеть лучше, чем другой.

Факт. Колбочки и палочки – два вида фоторецепторов, которыми располагает сетчатка человеческого глаза. В сравнении с колбочками, палочки примерно в 100 раз более чувствительны к свету. Эта клетка способна зарегистрировать даже попадание в глаз всего двух фотонов.

 2.    Сканирование пространства

Вследствие того, что концентрация светочувствительных палочек наиболее высока по краям сетчатки, в темноте более эффективно периферийное зрение. Другими словами, если хотите лучше видеть в темноте, пространство вокруг нужно сканировать, а не вглядываться в одну точку, пытаясь что-то разглядеть. Этот эффект можно проверить на ночном небе: когда вы пристально вглядываетесь в едва различимую звезду, она как будто растворяется, а стоит немного перевести взгляд, как небесное тело тут же становится опять заметным.

Факт. В сидячем положение ночное зрение обостряется в 1,5-2 раза.

 3.    Сахарок или кислинка

Обострить ночное зрение поможет ложка сахара или долька лимона. Секрет в том, что при стимуляции вкусовых рецепторов подобными продуктами, активизируется вся симпатическая нервная система в целом. В том числе и те отделы, которые отвечают за зрение.

 Факт. Всего одна выкуренная сигарета снижает остроту зрения в темноте на 15-20 процентов.

 4.    Кислород и кровообращение

Что бы лучше видеть во тьме, нужно обогатить мозг кислородом. Для этого нужно сделать от 10-12 глубоких вдохов и выдохов. Так же стоит сделать несколько жевательных движений – это усилит кровообращение в голове, что также способствует обострению ночного зрения.

Факт. Светочувствительные рецепторы глаза практически не чувствительны к освещению красного цвета. Именно поэтому, в военных дозорах используются фонари с красным светом и очки с красными стеклами.

 5.    Свет во тьме

Находясь в темноте, избегайте прямого попадания света в глаза – не смотрите на источники света,какими бы они тусклыми не были. Иначе, сетчатке придется снова приспосабливаться к ночному зрению, а после взгляда на довольно яркий источник света вы можете ослепнуть минут на 5-10. В случае необходимости рассмотреть объект окутанный светом прикрывайте один глаз.

Вот и все секреты ночного зрения, которым совсем несложно научиться. Читать в темноте с помощью этих навыков у вас, конечно, не получиться, но теперь вы не будете хотя бы натыкаться на мебель во время ночных вылазок в уборную. Приятных похождений.

cchen156 / Учимся видеть в темноте: Учимся видеть в темноте. CVPR 2018

перейти к содержанию Зарегистрироваться
  • Почему GitHub? Особенности →
    • Обзор кода
    • Управление проектами
    • Интеграции
    • Действия
    • Пакеты
    • Безопасность
    • Управление командой
    • Хостинг
    • мобильный
    • Истории клиентов →
    • Безопасность →
  • команда
.

ДОКУМЕНТОВ 101 - Как ИИ научился видеть в темноте? | автор: Nishank Sharma

Здравствуйте, меня зовут Nishank, и добро пожаловать в серию PAPERS 101 , в которой мы обсудим новые интересные исследования, проводимые в области машинного обучения и искусственного интеллекта!

Я хотел бы поблагодарить Two Minute Papers и Károly Zsolnai-Fehér за то, что познакомили меня с этой статьей через их канал на YouTube.

В эпоху смартфонов фотографировать при слабом освещении просто необходимо.Все флагманские телефоны поддерживают фотосъемку при слабом освещении, но, как вы, наверное, заметили, результаты не так хороши.

Это связано с тем, что они в основном используют традиционные методы шумоподавления и устранения размытости, которые эффективны для устранения некоторого шума, но с треском не работают в экстремальных условиях, таких как темнота, что является большой проблемой.

Эта статья - решение этой проблемы.

Компьютерное зрение - это область искусственного интеллекта, которая вращается вокруг получения визуального ввода и либо осмысления полученного ввода, либо некоторого манипулирования данным вводом для получения желаемого результата.Документ, который нас интересует, работает по второму варианту использования.

В своей статье « Learning to See in the Dark » , исследователи Chen Chen (UIUC), Qifeng Chen (Intel Labs), Jia Xu (Intel Labs) и Vladlen Koltun (Intel Labs) предложили модель, которая может видеть в условиях чрезвычайно низкой освещенности, почти сравнимых с темнотой, с использованием новых конвейеров обработки изображений с использованием сверточной нейронной сети .

Результаты поразительны!

Если вы сделаете снимок с помощью камеры без фотосъемки при слабом освещении (низкий ISO), он будет выглядеть примерно так:

Если вы щелкнете по тому же снимку камерой для слабого освещения, как на флагманских смартфонах, результат будет следующим: что-то вроде того, что показано ниже. Обратите внимание, насколько зернистое изображение из-за фильтров масштабирования, таких как BM3D и более низкого ISO.

Scaling + BM3D Denoising

Теперь полностью сверточная сеть берет первое изображение и обрабатывает его, чтобы получить изображение ниже (Да! Я не шучу.)

Изображение после обработки через CNN

Модель здесь использует непрерывно обученную полностью сверточную сеть, которая использует набор данных необработанных ночных изображений с короткой выдержкой и соответствующих эталонных изображений с длинной выдержкой. Это делает получение результатов в экстремальных сценариях, таких как ночная фотосъемка, очень простым и эффективным по сравнению с традиционными методами удаления шума и размытия.

Как обучается CNN?

CNN обучается на двух наборах изображений.

  1. Тускло освещенная (почти темная) сцена или изображение с короткой выдержкой в ​​качестве входных данных.
  2. Соответствующая сцена с нормальным освещением или снимок с длинной выдержкой той же сцены, что и цель.

Нейронная сеть обучается на наборе данных, содержащем 5094 необработанных изображения с короткой выдержкой и соответствующие им изображения с длинной выдержкой.

Итак, если вы хотите обучить сеть, вам нужно сначала щелкнуть фотографию при нормальных условиях освещения, которая будет использоваться в качестве целевой переменной для получения ошибки по сети.

Затем вам нужно будет щелкнуть фотографию той же сцены с низкой выдержкой, чтобы она выглядела темной.Это будет вводиться в сеть во время обучения.

Пара этих двух фотографий создаст пару (вход, выход) для сети, на которой она будет обучена для использования на тестовых изображениях при слабом освещении.

FCN Pipeline

Обучение проводилось с использованием L1 loss и Adam Optimizer, что дало результаты исключительного качества и делало модель наиболее эффективной до сих пор!

Эта модель ставит под сомнение традиционные методы устранения размытости и шумоподавления. Вот сравнение с традиционным шумоподавлением BM3D - изображение

с использованием традиционного масштабирования изображения с использованием масштабирования + уменьшение шума BM3D после обработки через CNN

Вы можете сразу заметить разницу.

Если мы сравним производительность CNN с флагманскими мобильными камерами с использованием различных параметров, таких как выдержка и освещение, результаты могут вас удивить!

Рассмотрим сценарий, в котором в темной комнате горят 8 свечей, а на фотографии манекена разными камерами наблюдаются изменения, так как количество свечей каждый раз уменьшается вдвое.

8 свечей4 свечей

Обратите внимание на то, как качество фотографии ухудшается в iPhone X и Google Pixel 2 по сравнению с Sony a7S.Это связано с тем, что, с одной стороны, камера Sony имеет более высокий ISO, чем обе мобильные камеры, мобильные камеры используют традиционные методы удаления размытости и шумоподавления для получения фотографий при слабом освещении из необработанных данных.

2 свечи1 свеча

Теперь фото почти темное в обеих камерах смартфона, и это убедительно, что они не смогли справиться в экстремальных условиях, таких как темнота.

Однако фотография на камере Sony по-прежнему четкая, потому что, как вы могли заметить, время выдержки было изменено с 0.От 8 секунд до 1,6 секунды, позволяя проникать большему количеству света и, следовательно, давать более качественные фотографии.

Это непрактично для камер смартфонов, так как это может привести к нечеткому изображению, поэтому это возможно только на дорогих высококачественных камерах, которые имеют лучшую отражающую линзу и высокоэффективный датчик.

Но давайте посмотрим, что произойдет, если мы уменьшим время экспозиции до 1/30 секунды, то есть насколько хорошо камеры работают при очень низкой освещенности и малой выдержке.

1 свеча - низкая экспозиция

Как вы можете видеть, на этом этапе все камеры вышли из строя, и мы наблюдаем полную темноту.Это происходит по двум разным причинам:

  1. В мобильных камерах это произошло из-за того, что они используют традиционные методы удаления размытости и шумоподавления, такие как шумоподавление BM3D, которые не работают, когда количество света очень мало и с ним не с чем работать.
  2. В камере Sony это произошло из-за меньшего времени экспозиции, поэтому в камеру пропускалось меньшее количество света, следовательно, изображение получалось темным.

Но подождите. Можем ли мы сделать что-нибудь, чтобы получить лучшее изображение за 1/30 секунды выдержки и в условиях чрезвычайно низкой освещенности (<0.1 люкс)?

Будьте готовы удивиться, ведь эта статья сделала именно то, что мы хотели!

Если необработанные данные сенсора из приведенного выше изображения (с самыми темными фотографиями) с 1 свечой и низкой экспозицией подать в полностью сверточную сеть, мы получим результат, который будет выглядеть следующим образом!

Что! Ты шутишь, что ли!

Удивлен? Я тоже был!

Я надеюсь, что эта технология очень скоро будет реализована в камерах смартфонов, и вы начнете получать удовольствие от фотосъемки при очень слабом освещении, которую может предложить машинное обучение!

И в этом сила машинного обучения и нейронных сетей.

Подобные приложения побуждают все больше и больше людей изучать машинное обучение и нейронные сети. Это точная причина появления ДОКУМЕНТОВ 101 !

Не стесняйтесь оставлять в комментариях, что вы думаете об этой статье. Чтобы узнать больше об этом процессе, посетите веб-сайт газеты.

Также в комментариях приветствуются предложения и благодарности по поводу ДОКУМЕНТОВ 101 .

Что ж, на этой неделе и до следующего раза!

Прощай!

.

проблем · cchen156 / Learning-to-See-in-the-Dark · GitHub

перейти к содержанию Зарегистрироваться
  • Почему GitHub? Особенности →
    • Обзор кода
    • Управление проектами
    • Интеграции
    • Действия
    • Пакеты
    • Безопасность
    • Управление командой
    • Хостинг
    • мобильный
    • Истории клиентов →
    • Безопасность →
  • команда
  • предприятие
.

Смотрите также