Aug, 2019

带有大规模低光模拟数据集的注意力引导低光图像增强

PDF
TL;DR本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。
low-light image enhancementattention-guided methodconvolutional neural networkbrightness enhancementdenoising
发现论文，激发创造
  • 基于注意力机制的低光图像增强网络

    本文提出了一种基于关注机制的神经网络方法，通过通道关注和空间关注模块抑制色差和噪点，以及使用倒置洗牌池化层选择有用信息，实现从原始传感器数据生成高质量的低光图像增强，表现优异，特别是在低光条件下存在严重噪声时。

    May, 2020

  • LEDNet: 低光弱化与去模糊联合处理

    该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

    Feb, 2022

  • 多尺度注意力变换器与亮度一致性损失的非均匀低光图像增强方法

    提出了一种多尺度注意力变换器 (MSATr) 的非监督学习方法，以改善低光照下图像的质量，提取局部和全局特征来改善视觉效果，并通过多尺度窗口划分方案、全局变换器分支和循环训练策略来解决亮度不一致的问题。实验证明该方法优于现有的低光照图像增强方法。

    Dec, 2023

  • 低光图像鲜明物体检测中的图像增强探索

    本文提出了一种基于物理光照模型的图像增强方法，以便在低光照图像中便于显着物体检测，并使用 Non-Local-Block 层来捕捉物体与其邻域的差异，最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。

    Jul, 2020

  • 基于光照感知伽马校正和完整图像建模网络的低光照图像增强

    本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

    Aug, 2023

  • LLNet: 自然低光图像增强的深度自编码器方法

    在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。

    Nov, 2015

  • 改进的分割：学习适应暗光图像增强的亮度感知和细节敏感表示

    通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

    Jul, 2023

  • 从异质低光捕获中学习新近景生成

    从具有异质亮度级别的低光条件下捕获的输入视图中合成新视图始终是一项挑战。本文提出了学习将亮度、光反射和噪声从输入视图中分解的方法，以便在异质视图中保持光反射不变。通过学习照明嵌入和优化噪声映射，以及设计照明调整模块来实现对照明的直观编辑，该方法实现了低光多视图噪声图像的有效内在分解，并在合成新视图方面在视觉质量和数值性能上优于现有方法。

    Mar, 2024

  • 面向鲁棒的事件引导低光图像增强：一个大规模真实世界事件图像数据集和新方法

    利用机械臂轨迹追踪技术，构建了一个室内外真实场景的大规模事件图像数据集，提出了一种基于事件引导的适用于真实低光场景的图像增强方法 EvLight，通过多尺度整体融合分支和信噪比引导的区域特征选择策略，显著超越了基于帧的方法。

    Apr, 2024

  • 语义引导的零样本低光图像 / 视频增强

    本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

    Oct, 2021