Início Projetos RetinexNet
RetinexNet
Python

RetinexNet

Uma implementação do Tensorflow do RetinexNet

por weichen582 · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
computer-visionimage-enhancementimage-processingMITPython
Ver no GitHub
Em palavras simples

Melhore imagens em baixa luminosidade usando um modelo treinado que melhora sua qualidade automaticamente.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
RetinexNet — GitHub preview card
📈 Histórico de estrelas
792791
2026-07-202026-08-31
📈 Acompanhe RetinexNet

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Uma implementação do Tensorflow do RetinexNet

RetinexNet tem 791 estrelas no GitHub. Foi bifurcado 161 vezes. RetinexNet é escrito principalmente em Python. Está em desenvolvimento ativo desde 2018. RetinexNet está disponível sob a licença MIT. Os seus principais temas são: computer-vision, image-enhancement, image-processing, image-restoration.

Frequently asked questions

O que é RetinexNet?

Uma implementação do Tensorflow do RetinexNet

RetinexNet é de código aberto?

RetinexNet é um projeto de código aberto. É distribuído sob a licença MIT.

RetinexNet é gratuito?

Sim. RetinexNet é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está RetinexNet?

RetinexNet está disponível sob a licença MIT.

Em que linguagem RetinexNet está escrito?

RetinexNet é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — RetinexNet

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=weichen582-retinexnet)](https://olud.ai/project/weichen582-retinexnet.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.