May, 2023

低光图像增强：结构建模和引导

PDF
TL;DR本文提出了一种新的低光图像增强框架，通过同时进行外观和结构建模，引入结构特征来指导外观增强，采用改进的生成模型实现结构建模，提出了结构引导增强模块来改善外观建模，实现了端到端的训练，并在代表性数据集上进行实验，表明我们的模型在所有数据集上均实现了最佳表现。
low-light image enhancementstructure modelingedge detectiongenerative modelfeature synthesis layers
发现论文，激发创造
  • 结构引导的车道线检测

    本文提出了一个基于深度学习和结构引导的车道检测框架，采用实例分割表示车道，使用自上而下的消失点引导机制，并引入多层结构约束，在公开基准数据集上表现优于现有方法。

    May, 2021

  • 全局结构感知扩散过程在低光图像增强中的应用

    通过扩散模型结合曲率正则化、全局结构感知正则化和不确定性引导正则化等技术，在低光图像增强问题上取得突破性进展，提高了图像质量、噪声抑制和对比度放大的效果。

    Oct, 2023

  • 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

  • 基于结构化深度边缘检测的影子优化

    本文提出了一种基于 CNN 学习的阴影区域恢复框架，利用阴影边缘的本地结构和图像区域的复杂交互来计算阴影 / 明亮度量，进而通过最小二乘优化问题进行阴影恢复，实现了在不同条件下收集的主要阴影基准数据库上的最先进结果。

    May, 2015

  • 基于光照感知伽马校正和完整图像建模网络的低光照图像增强

    本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

    Aug, 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

  • 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

  • ClassLIE：面向低光图像增强的结构和光照自适应分类模型

    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

  • 解耦低光图像增强

    本文提出了一种将低光图像增强模型拆分成两个阶段的方法，第一阶段侧重于基于像素级的非线性映射来提高场景的可见性，第二阶段侧重于通过抑制其余退化因素来提高外观保真度，本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。

    Nov, 2021

  • 任务特定的场景结构表示

    本文提出了一种单一通用的神经网络结构，用于提取情景任务的特定结构指导，使用新的训练损失模型来优化 SSGNet，表现出针对多个低级视觉应用的最新结果，在未见数据集方面表现出了良好的抗摆性。

    Jan, 2023