Xin Jin
Xin Jin
应该是由于某些版权限制，作者并没有开源ELD噪声模型的源代码。我们在ICCV23的最新工作中复现了ELD（指标与ELD大致相同），并且还有一套比较完整的codebase。如果您感兴趣的话可以关注一下！Github Repo: https://github.com/Srameo/LED
信号通常不会高于wl。低于bl的话通常是噪声影响（因为正常信号不会低于bl），因此保留bl一下的数据会对训练起到一定作用的帮助。
If you installed the enviorment with our `install.sh`, our custimized rawpy was install in `download/rawpy`. Or you mean the link to the customized rawpy: https://drive.google.com/drive/folders/1QoEhB1P-hNzAc4cRb7RdzyEKktexPVgy. BTW, if our LED is...
Sorry that we are not allowed to discuss with the MIPI workshop 🥲
Sorry for the late response, related performance on the SID dataset can be found in Tab. 8 in [our updated paper](https://arxiv.org/pdf/2308.03448v2.pdf).
您好，可以提供下您具体的数据以及设置吗？
您可以尝试下更改 Finetune 策略，或者增加/更换 Finetune 时使用的数据。
您好！我们基于NAFNet部分实验的配置文件也已经开源在了我们的repo当中：[Pretrain](https://github.com/Srameo/LED/blob/main/options/LED/other_arch/NAFNet/LED%2BNAFNet_Pretrain.yaml)、[Fine-tune](https://github.com/Srameo/LED/blob/main/options/LED/other_arch/NAFNet/LED%2BNAFNet_Finetune.yaml)。 对于不同的相机(CMOS传感器)，LED可能需要调整fine-tune的策略，建议您在拍摄时候可以多拍摄一份测试场景（2-3即可）（采集策略可以参考我们最新[arxiv论文](https://arxiv.org/abs/2308.03448v2)的Sec 4）。调整fine-tune策略并在测试场景上测试有效后，在最终部署时可以使用全部场景（训练+测试）进行训练，最终的模型作为部署模型。 如果您能提供更多的有关输入输出、fine-tune策略、使用的预训练模型的信息，也许我们能提供更多帮助。 btw, 如果LED对您的项目有帮助的话，希望您可以帮我们点个star🌟，这将是对我们进一步科研的莫大鼓励！感谢！
我们的benchmark脚本目前仅支持unet的结构，强行载入NAFNet结构的话会导致参数不匹配。 但是我们设置了`strict_load_g=True`，在您benchmark时有收到参数不匹配的提示嘛？
能看下您的`options/base/test/nafnet.yaml`嘛？