低光图像增强的快速轻量级网络
本文提出了一种新的 LLIE 方法 FLIGHT-Net,它使用一系列的神经架构模块来解决低照度下直方图抑制和信噪比低的问题,通过像素级场景依赖的照明调整来调节照明条件,在包含通道注意力和去噪子块的第二个块的输出中产生输出图像,其高效的神经网络架构只使用 25K 个参数,并实现了最新的性能。
May, 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
本文提出一种新的轻量级卷积神经网络(5k 参数),用于处理各种颜色、曝光、对比度、噪点和伪影等问题,实现非均匀照明图像增强,并通过半监督的修复方法,结合新数据集进行训练。该模型可在实时环境下(50 fps)快速增强图片,有效处理非均匀照明图像。
May, 2020
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
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
本文提出了一种名为 MixNet 的新型低光图像增强方法,针对超高清图像进行设计,并通过全局特征调制层 (GFML)、局部特征调制层 (LFML) 和前馈层 (FFL) 等模块实现低光图像增强,具有少量模型参数和低计算复杂性。在合成和真实数据集上的广泛实验表明,作者提出的方法优于当前最先进的方法。
Jan, 2024
通过 CLIP-Fourier Guided Wavelet Diffusion 方法的混合频率域空间,我们设计了一个通过小波变换实现有效图像增强的引导网络,能够恢复图像的细粒度结构并避免多样性混淆。经过大量定量和定性实验证明,我们的方法胜过现有的最先进方法,并更好地再现了类似于正常图像的图像。
Jan, 2024
通过结合传统方法与深度学习技术,本研究提出了一种创新的低光图像增强网络 CPGA-Net,该网络结合了暗 / 亮通道先验、伽马校正、大气散射模型和 Retinex 理论的特征,成为一个轻量级网络,在客观和主观评价标准上取得了优异性能,为低光环境下的实际应用提供了新的解决方案。
Feb, 2024
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
本文提出了一种新的基于 Retinex 的深度学习网络,用于低光条件下的图像增强。该网络包含三个子网络:Decom-Net,Denoise-Net 和 Relight-Net。我们的模型使用了来自图像的空间信息和频率信息,可以在低光条件下取得更鲁棒的结果,并且在高级视觉任务方面具有显著的改善表现。我们还提出了一个大规模真实世界数据集(LSRW 数据集),用于训练模型,展示模型在真实世界场景中具有更好的泛化能力。经过广泛的实验,我们的方法在定量和视觉方面都表现出优于现有状态 - of-the-art 的结果。
Jun, 2021