快速、灵活、稳健的低光图像增强
本文介绍了一种在低亮度条件下进行图像增强的轻量级神经网络,提出了全局低光强度增强和局部自适应校正的方法来解决不同图像区域的曝光问题,实验结果表明该方法在客观指标和主观视觉效果方面都表现出色。
May, 2023
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
本文提出了一种有效的基于对比学习的语义低光图像增强算法,利用多任务联合学习将低光图像增强任务转化为对比学习、语义亮度一致性和特征保护三个约束,用于同时确保曝光、纹理和颜色的一致性。实验结果表明,该方法优于当前六个独立交叉场景数据集中最好的低光图像增强模型。
Dec, 2021
本文提出了一种结合 CNN 和 transformers 的新型框架 ClassLIE,通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习,从而显示出更好的增强性能。实验证明,ClassLIE 在五个基准数据集上达到了最先进的表现,LOL 数据集上的 PSNR 和 SSIM 分别为 25.74 和 0.92。
Dec, 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
本文提出了一种无监督的网络,使用上下文引导的自适应光照规范来增强低光图像,并且还提出了一个能够从单个低光图像生成多个增强图像的区域自适应的 SIMO 模型,同时介绍了一个新的低光场景数据集 LLRS,该模型在公共数据集以及 LLRS 数据集上的表现均优于以往的方法。
Jun, 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
利用量化的先验知识和图像精修方法,该文提出了一种名为 CodeEnhance 的新型低光图像增强方法,通过学习从低光图像到离散码书的映射,改善图像恢复中的不确定性和噪声压制造成的纹理和颜色信息损失,并结合语义信息、码书位移和交互特征转换模块,实现了对低光图像的交互式增强。实验证明,CodeEnhance 在质量和保真度上显著提高了低光图像增强的性能,对于不均匀照明、噪声和颜色失真等各种退化具有较强的鲁棒性。
Apr, 2024
本研究提出了一个深度光学框架来优化掩膜和重建网络,以解决视频快照压缩成像中的动态范围和深度学习算法退化的挑战。通过引入结构掩膜实现对运动感知和全动态范围的测量,并使用 Transformer 开发了一个高效的网络用于视频快照压缩成像重建。在实验中验证了所提出框架的有效性,认为这是实现真实世界视频快照压缩成像的一个里程碑。
Apr, 2024