Apr, 2023

暗光环境下的实例分割

PDF
TL;DR本研究旨在通过采用自适应加权下采样层、基于平滑向量的卷积块和干扰抑制学习等多种技术，抑制低光环境下的特征噪声，从而大幅提高实例分割的准确率。同时，研究人员发现高位深 RAW 图像相比于典型的相机 sRGB 输出可以更好地保留更丰富的场景信息，支持使用 RAW 输入算法进行低光下的实例分割。为此，他们提出了一个低光 RAW 综合管道来生成逼真的低光数据集，并捕获了一个包含超过两千个配对低 / 正常光图像的现实低光实例分割数据集，为未来研究打开了新的机会。
instance segmentationlow-lightfeature noiseraw imagesdataset
发现论文，激发创造
  • 自监督低光增强：改善暗光条件下的空中实例分割

    在此工作中，我们提出了一种新的方法，能够自我监督地增强低光图像，并以端对端的方式依次应用检测和分割任务，该方法在内存和计算能力方面占用非常小的开销，并提供了优异的结果，此外，我们还提出使用 GAN 生成新的低光航空数据集，可用于评估类似的不良条件下的视觉网络。

    Feb, 2021

  • 暗光环境下的图像识别

    推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

    May, 2018

  • 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

  • 低光环境下目标跟踪的综合研究

    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

  • 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

  • 深入探究暗区以实现强鲁棒阴影检测

    通过学习全局环境下的背景特征，并聚焦于暗区域，我们提出了一种新的阴影检测方法，优于现有方法，并在三个主流阴影检测数据集上进行了广泛实验验证。

    Feb, 2024

  • 语义引导的零样本低光图像 / 视频增强

    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

  • 极低光下图像采集的数码相机管线学习

    通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

    Apr, 2019

  • 利用零样本日夜领域自适应提升物体检测

    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

  • 在极低光照条件下，通过夜间物体检测数据集更仔细地研究检测

    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