Sep, 2023

废物变宝藏：通过分解和聚合实现低光物体检测

PDF
TL;DR通过引入增强器和探测器相结合的模式，本文试图激发增强器 + 探测器的潜能，通过利用去除光照的辅助信息来提取适合检测的特征，并建立语义聚合模块来融合多尺度场景相关的语义信息。进行了大量实验验证了我们方法在其他最先进的方法上的优越性。
object detectionlow-light scenariosenhancerillumination-based enhancerssemantic aggregation module
发现论文，激发创造
  • FeatEnHancer：在低光视觉下增强物体检测和更多层次特征

    我们提出了一种名为 FeatEnHancer 的模块，通过使用任务相关的损失函数来层次化地结合多尺度特征，改进低光视觉下的图像表示，从而显著提高了多个低光视觉任务的效果。

    Aug, 2023

  • 低光条件下的物体检测

    基于 CO-DETR 模型，通过模型融合方法实现了接近真实图像物体检测结果。使用多种增强技术生成多组预测结果，最后通过 IoU 阈值引导的聚类聚合方法选择最佳结果。

    May, 2024

  • 无监督夜间图像增强：层分解与光效抑制的结合

    该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度

    Jul, 2022

  • 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

  • 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

  • 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

  • 学习深度上下文感知分解以实现低光照图像增强

    本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构，能够有效增强低光照条件下的图像质量，在各种图像处理和多媒体应用中具有较强的实际应用价值。

    Dec, 2021

  • TRACER：极限注意力引导显著物体追踪网络

    本研究提出了一种名为 TRACER 的新方法，使用注重关注的追踪模块来检测显著对象，包含蒙版边缘关注模块和联合关注模块来提取单独的对象并提高编码器 - 解码器性能。利用自适应像素强度损失函数，TRACER 在五个基准数据集上实现了最先进的性能。

    Dec, 2021

  • 一个仿生三阶段模型用于伪装目标检测

    本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

    May, 2023

  • 夜间监控的解耦对比图像转换

    本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

    Jul, 2023