May, 2023

FLIGHT Mode On: 一种轻巧的网络用于低光图像增强

PDF
TL;DR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。
low-light image enhancementill-posed inverse problemneural architecture blockschannel attentiondenoising
发现论文，激发创造
  • 低光图像和视频增强技术的深度学习调研

    本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台，并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台，数据集以及评估指标都是公开的并被定期更新。

    Apr, 2021

  • 一种基于通道先验和伽马校正的轻量级低光图像增强网络

    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

  • 学习一个卷积层模型以进行低光图像增强

    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

  • 亮度增强和着色：用于定制化低光图像增强的分离网络

    提出了一种称为 BCNet 的 “明亮和着色” 网络，通过引入图像着色来解决低光条件下图像增强的问题，并实现基于用户偏好的不同饱和度和颜色风格的定制增强。

    Aug, 2023

  • ReLLIE：深度强化学习用于定制化低光图像增强

    本研究提出了一种基于深度强化学习的新型低光图像增强方法，称为 ReLLIE，将 LLIE 建模为马尔可夫决策过程，使用轻量级网络计算像素级图像特定曲线，利用非参照损失函数计算的奖励来增强输入的低光图像，ReLLIE 不是进行一一图像转换，而是学习策略，从而可以处理各种低光测量数据，提供定制增强输出。

    Jul, 2021

  • CodeEnhance：一种基于码书的低光图像增强方法

    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

  • 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

  • 超高清低光图像增强：基准及基于 Transformer 的方法

    介绍了一种基于 Transformer 的低光图像增强方法，通过大规模数据库的系统基准测试，证明该方法优于现有算法，并提出利用该算法作为前处理步骤可以显著提高低光条件下的面部检测性能。

    Dec, 2022

  • 低光图像增强的快速轻量级网络

    本研究介绍了 FLW-Net，一种用于低光图像增强的快速轻量级网络，可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果，并进行了比较实验以证明其有效性。

    Apr, 2023

  • MixNet: 高效有效的 UHD 低光图像增强

    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