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
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
本文提出了一种将低光图像增强模型拆分成两个阶段的方法,第一阶段侧重于基于像素级的非线性映射来提高场景的可见性,第二阶段侧重于通过抑制其余退化因素来提高外观保真度,本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。
Nov, 2021
本文针对低光环境下目标检测存在的困难,提出了一个高质量大规模的夜间目标检测数据集及其数据集子集的实例级注释,分析了低光条件对于机器认知的困难,并提出了一个用于优化机器认知的图像增强模块以及两种新颖的数据增强技术,实验结果证实该方法在低光数据集上能够持续提升检测性能。
Oct, 2021
在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响,并提出了一种解决方案,通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中,提高追踪性能。实验结果表明,用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。
Dec, 2023
本研究提出了一种适应性图像学习模块,通过合适的图像处理和超参数预测,增强了低光条件下的图像识别模型的性能。实验证明,该方法能够有效提升低光条件下的图像识别性能。
Jan, 2024
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
通过零样本白天 - 夜晚领域自适应方法,我们在不需要真实低光照数据的情况下,提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块,通过仔细设计的光照不变性增强策略,学习了基于 Retinex 的图像不变性。同时,我们引入了一个互换重组相干步骤,通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验,验证了我们方法的强大低光照普适性。
Dec, 2023
本文研究了用于视频显著对象检测的最近引入的非局部神经网络方法,并应用于 static 和 dynamic 显著性检测,提出了一种新的深度非局部神经网络架构,测试了 DAVIS 和 FBMS 两个著名数据集,实验结果表明该算法优于最先进的视频显著性检测方法。
Oct, 2018