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
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
这篇论文回顾了目前最先进的人脸检测器在高质量图像上的表现,并评估了它们在低质量图像上的鲁棒性,结果表明,手工设计或基于深度学习的人脸检测器在低质量图像上的性能下降,需要研究更加鲁棒的设计方案。
Apr, 2018
本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台,并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台,数据集以及评估指标都是公开的并被定期更新。
Apr, 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
基于 CO-DETR 模型,通过模型融合方法实现了接近真实图像物体检测结果。使用多种增强技术生成多组预测结果,最后通过 IoU 阈值引导的聚类聚合方法选择最佳结果。
May, 2024
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
我们的研究介绍了一种名为 LightDiff 的领域定制框架,该框架旨在增强自动驾驶应用中低光照图像的质量,通过使用多条件控制扩散模型并运用增强学习来引导扩散训练过程,从而在夜间条件下显著提高多个先进的三维检测器的性能并实现高视觉质量分数。
Apr, 2024
本研究提出了一种生物启发的方法来处理光相关的图像增强任务,使用统一的网络(称为 LA-Net)并设计了一个基于频率的分解模块来实现统一的光适应,同时在高频通道中实现了噪声抑制或细节增强。对低光增强、曝光校正和色调映射这三个任务进行了广泛实验,并证明了所提出方法在这些独立任务中获得了接近最先进技术的表现。
综述了针对低光条件下行人检测的各种方法和数据集,并讨论了挑战和最近提出的解决方法,主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。