低光源 RAW 图像去噪的对比学习
本文提出了一种对比正则化方法,用于将雾图像和清晰图像用作负样本和正样本,从而更好地训练去雾网络。同时,提出了一种基于自动编码器 (AE) 框架的紧凑型去雾网络,命名为 AECR-Net,得到了比现有方法更好的效果。
Apr, 2021
通过增加数据容量和降低噪声复杂度的方式,我们提出了一个可学性增强策略来提高低光下图像去噪的性能,该策略包括射击噪声增强(SNA)和黑暗遮蔽校正(DSC)两种高效技术,并在公共数据集和实际成像场景中取得了最先进的性能。
Jul, 2022
本研究提出了一种新的课程对比正则化方法,可应用于单幅图像去雾,通过从不同方法的恢复结果和雾图像中选取负样本,获得更好的下界约束。利用基于物理的双分支单元改进特征空间的可解释性,提出了一种名为 C2PNet 的去雾神经网络,该网络在 SOTS 数据集上表现出比现有方法更好的性能。
Mar, 2023
本文提出了一种集成多尺度去噪器的新方法,用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性,采用对比学习的方式来提高网络区分噪声与高频信号的能力,实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。
Feb, 2024
本文提出了一种基于双重对比规范化和谱归一化的新型无配对图像翻译框架(SN-DCR),以保持全局结构和纹理的一致性,提高生成图像的全局结构和纹理信息,并证明该方法在多个任务上实现了 SOTA。
Apr, 2023
该论文引入了一种新颖的轻量级计算框架,利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展,我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度,避免了过度增强和不自然的颜色偏移。关键是,我们的模型被设计成轻量级,确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实,我们的模型不仅在增强低光图像方面超过了现有方法,而且保持了最小的计算占用。
May, 2024
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