从bcd图可以看到（其实画得很含糊，不仔细，需要看附录，如下图），所谓MoE-Prompt，其实就是在原有的feature上，去和利用DA-CLIP对原图提取的degradation prior，进行交叉注意力，再用noisy top-k这个常用的MoE方法，得到top k个专家prompt，进行求和，再用结果的prompt去和feature计算矩阵乘法，得到经过MoE处理后的特征。用prompt

三大核心索引

from collections import OrderedDictstate_dict = torch.load(para_path)new_state_dict = OrderedDict()for k, v in state_dict.items():name = k[7:] # remove `module.`new_state_dict[name] = vnet.load_state_

先写驱动方程，即求触发器的输入；再写状态方程，即求触发器的输出；最后求输出方程。描述时序逻辑电路的逻辑的方法除了这组方程，还可以是状态转换表、状态转换图、状态机流程图（SM图/ASM图）和时序图状态转换表：任意一组取值作为初态，得到次态，以次态作为新的初态，一直下去，以真值表的形式给出：状态转换图：状态转换流程图：时序图：...

显存估计：每张卡16G的显存，一共4张，跑32的batch size，3*1024*1024的输入，densenet161，改classifier为14分类并sigmoid输出（多标签），导致显存不足，所以改成densenet121，可以，但是不能加载预训练模型，因为v100集群是不联网的时间估计：我跑的是X-Chest-Ray 14的全集，取94999张作为训练集，17121张作为验证集，之..

exdark数据集转coco格式

对近几年的几篇背光图像增强算法论文进行了粗读

JVCIR（CCF 3区SCI期刊）18年的文章，主要内容是低光图像去噪几大贡献：提出了一个成对图像的图片数据集，其中一张为黑暗自然噪声图像，另一张为黑暗低噪图像，获取这样的图片对的方法是重点提出了一种评估噪声等级的方法，并用该方法评估了自然噪声和人工加噪（包括泊松-高斯 噪声模型），以及六个现有去噪模型的去噪效果黑暗图像中的噪声主要是由于传感器的尺寸太小以及曝光时间不充分。核磁共振、CT、X-r

CVPR2023 无监督去噪论文LG-BPN阅读笔记

这是AAAI2022的一篇低光照图像质量增强论文