May, 2020

基于注意力机制的低光图像增强网络

PDF
TL;DR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。
low-light image enhancementneural networkattention-basedchromatic aberrationdenoising
发现论文，激发创造
  • 带有大规模低光模拟数据集的注意力引导低光图像增强

    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

  • 基于颜色注意力网络的低光图像增强

    本文提出基于卷积神经网络的针对低光图像的色彩注意力网络（CWAN），学习了从低光到高质图像的端到端映射，并且在低光图像中寻找有用的色彩线索来辅助色彩增强过程，定位这些区域并将 CWAN 的注意力主要集中在综合这些局部区域以及整个全局图像上，基于挑战性数据集的定量和定性实验证明了该方法相对于现有技术的优势。

    Nov, 2019

  • 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

  • DarkShot: 用低计算量和高质量照亮暗图像

    本文提出了一种轻量级网络，采用 Siamese Self-Attention Block (SSAB) 和 Skip-Channel Attention (SCA) 模块，提高了模型对全局信息的聚合能力，适用于高分辨率图像，并且基于对低光图像恢复过程的分析，提出了一个优于现有方法的二阶段框架，能够在保持最先进的恢复质量的同时，用最少的计算量恢复一张 UHD 4K 分辨率的图像。

    Dec, 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

  • MSR-net: 使用深度卷积网络进行低光图像增强

    利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

    Nov, 2017

  • CDAN：用于低光图像增强的卷积稠密注意力引导网络

    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

  • 低光频域增强

    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

  • 倒置注意力提升物体检测

    本文提出了一种名为倒置关注的高效机制来提高物体检测器的性能，该机制既不需要额外的 hard sample 训练，也不需要额外的注意力估计网络参数和测试开销，能够在基准数据库上从空间和通道两个维度上显著提升双阶段和单阶段检测器的性能。

    Mar, 2019

  • 视觉目标检测的注意力网络

    基于注意力机制的深度神经网络在物体检测任务中的应用

    Feb, 2017