Aug, 2023

CDAN：用于低光图像增强的卷积稠密注意力引导网络

PDF
TL;DR该研究论文介绍了 Convolutional Dense Attention-guided Network (CDAN) 的工作原理和应用，在低光照条件下通过图像增强技术改善了图片的亮度、对比度和整体感知质量，并证明了其在计算机视觉任务中具有潜力，尤其在低光照条件下实现了稳健的目标检测和识别。
low-light imagesimage enhancementconvolutional dense attention-guided networkcomputer vision tasksrobust object detection
发现论文，激发创造
  • 基于颜色注意力网络的低光图像增强

    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

  • DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

    本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。

    Apr, 2023

  • 基于注意力机制的低光图像增强网络

    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

  • 面部图像反照明的标签去噪对抗网络（LDAN）

    通过使用生成对抗网络和标签去噪对真实人脸图像进行照明估计，我们的卷积神经网络模型可以在更短的执行时间内，准确地反映出不同情况下不同脸部的一致照明参数。

    Sep, 2017

  • 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

  • LLNet: 自然低光图像增强的深度自编码器方法

    在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。

    Nov, 2015

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 全卷积适应网络用于语义分割

    本文提出了一种全卷积自适应网络（FCAN）用于语义分割，该网络综合了外观适应网络（AAN）和表示适应网络（RAN），通过对领域适应的视觉外观级别和表示级别进行改进，实现了从合成图像到真实世界图像的领域适应。论文进行了广泛的实验，在 GTA5 到 Cityscapes 和 BDDS 领域不需要监督地自适应，实现了优于现有技术的结果，并在 BDDS 上获得了新的记录 —— 无监督的 mIoU 为 47.5％。

    Apr, 2018

  • 使用非配对学习技术自由增强图像

    通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

    Oct, 2021

  • 基于浅层特征的密集注意力网络用于人群计数

    采用浅层特征的注意力模型及密集连接的层级图像特征，提出一种用于仍图像人群计数的 SDANet，并在多个基准数据集上表现出优异的性能。

    Jun, 2020