基于颜色注意力网络的低光图像增强
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
该研究论文介绍了 Convolutional Dense Attention-guided Network (CDAN) 的工作原理和应用,在低光照条件下通过图像增强技术改善了图片的亮度、对比度和整体感知质量,并证明了其在计算机视觉任务中具有潜力,尤其在低光照条件下实现了稳健的目标检测和识别。
Aug, 2023
提出一种新颖的残差循环多小波卷积神经网络 R2-MWCNN 用于低光图像增强和降噪,该网络通过多层离散小波变换将输入特征图划分为不同的频率,提出了通道损失函数来更正颜色扭曲,实验证明该方法在量化和定性上优于现有的方法。
Jun, 2023
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。
Aug, 2019
我们提出了一种自适应加权关注网络(AWAN)用于光谱重建,其主干由多个双残差注意力块(DRAB)堆叠装饰而成,具有长短跳连接以形成双残差学习。同时,我们进一步发现,RGB 图像和高光谱图像之间的不同之处是重建过程中更精细的约束条件,该方法在 NTIRE 2020 Sepctral Reconstruction Challenge 中获得了第一名和第三名,相对于其他最先进的 SR 方法具有更高的效率和感知质量。
May, 2020
本研究介绍了 FLW-Net,一种用于低光图像增强的快速轻量级网络,可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果,并进行了比较实验以证明其有效性。
Apr, 2023
本文提出了一种基于改进的分层模型 M-Net + 的图像增强网络(HWMNet),其中使用半波小波块从小波域丰富特征。该算法在两个图像增强数据集中产生了具有竞争力的性能结果,特别是在使用定量指标和视觉质量方面。
Mar, 2022
本文提出了一种像素级的上下文注意力网络 ——PiCANet,旨在学习选择性地注意每个像素的信息上下文位置,通过全局和局部形式,构建所关注的上下文特征,与 U-Net 结构相结合,可以准确且均匀地检测显著对象,在显著性检测性能方面表现优异。
Aug, 2017
本文提出了基于弱监督数据增强网络(WS-DAN)来增强数据的判别力,通过产生注重于目标物体区域的注意力图,从而提升深度神经网络的训练,从而提高了图像分类的准确性,得到了优于现有最优模型的结果。
Jan, 2019